- 推荐使用:
Deep Belief Network (DBN)
Stacked Autoencoder (sAE)
Stacked Sparse Autoencoder (sSAE)
Stacked Denoising Autoencoders (sDAE) - 尝试更好的模型:
Convolutional Neural Network (CNN)
Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM)
pip install tensorflow (version: 1.X)
pip install keras
pip install librosa (用于语音分类,选装)
pip install --upgrade --user numpy pandas h5py (升级包)
use_for = 'classification'
用于分类任务
use_for = 'prediction'
用于预测任务
推荐PyTorch包
用户可以通过model.py
文件控制一些功能的开关:
self.show_pic
=> show curve in 'Console'?
self.tbd
=> open/close tensorboard
self.save_model
=> save/ not save model
self.plot_para
=> plot W image or not
self.save_weight
=> save W matrix or not
self.do_tSNE
=> do t-SNE or not
New 新增了两个数据集,一个用于分类,一个用于预测
New 新增t-SNE低维可视化
Chg 修正部分 use_for = 'prediction'
时的Bug
New 新增了绘制训练曲线图,预测标签分布图,权值图的功能
Chg 重写了SAE,现在可以放心使用了
Chg 代码的整体运行函数run_sess
放到了base_func.py
Chg 回归是可以实现的,需要设置 use_for = 'prediction'
用于minst
数据集分类,运行得到正确率可达98.78%
用于Urban Sound Classification
语音分类,正确率达73.37%
(这个跑完console不会显示结果,因为是网上的比赛数据集,需上传才能得到正确率)
用于Big Mart Sales III
预测,RMSE为1152.04
(这个也是网上的数据集,也没有test_Y)
跑的结果并不是太高,有更好的方法请赐教
语音分类未尝试语谱法,欢迎做过的和我交流
Tensorflow基本函数, RBM原理, Hinton源码, sDAE原论文, sSAE分析TE过程, RNN原理, LSTM, Tensorboard
EDBN 欢迎引用~