为什么用Keras搭建的LSTM训练的准确率和验证的准确率都极低？
深度学习当中train loss和valid loss之间的关系？ 深度学习当中train loss和valid loss之间的关系，在一个caption实验当中，使用交叉熵作为损失函数，虽然…
为何相同的数据集，相同的超参设置，模型训练结果准确率相差很大？ 模型使用pytorch中的resnet18，两次训练使用的数据集相同，超参也相同，训练100个epoch后，在验证集上的…
深度学习训练过程中loss不下降，验证集的准确率不断上升，是怎么回事？ val_acc/val_loss同时增加，解释可见[increasing validation accuracy and loss](https：// gist.github.com/dusenbe rrymw/89bc12a8f9a9afaacdb91668abe4065d)以对数损失为。
参加一场线上编程或算法大赛，如何进入前 5？ 经常看到各种编程、算法竞赛，怎么脱颖而出？有什么需要准备的？晋级后什么感受？有没有有经验的朋友可以…
如何更高效的自学机器学习？ 机器学习其实是一个特别大的范畴，高效自学机器学习有两个方面的关键要素：首先要对机器学习有一个宏观的认识，知道哪些是领域是热门且重点领域，做到抓住重点，有的放矢；其次，你需要在熟练掌握一门语言工具的前提下结合具体项目实践，增加自己的实践经验，这个地方我给python打一个广告。下面说一些具体的东西，可能会对你有所帮助。1：机器学习可以解决哪些问题？主要分为两类问题：分类问题和回归问题，其中分类问题又可以分为多分类问题和多标签多分类问题。其他还有很多进阶版本的问题，一般由多个问题复合而成，比如物体检测，实际是把图像分割和分类问题整合到了一起；2：机器学习算法有哪些？我们大体可以将机器学习的算法分为传统机器学习和深度学习算法。传统机器学习算法中，常见的有SVM，决策树，随机森林等，大都在sklearn中进行了集成，可以非常方便的调用。深度学习算法主要依赖学习框架，主流的包含Tensorflow和PyTorch，各有优缺点，请自行了解做进一步选择。其次就是深度学习的网络结构又可以分为卷积神经网络，递归神经网络，自动编码器，对抗生成网络，图卷积神经网络等。目前深度学习在各个领域都取得了巨大的性能提升，是机器学习中的重点领域，另外图。
如何更高效的自学机器学习？ 机器学习说到底是一门交叉学科，想自学机器学习，你首先需要弄清楚你需要哪些基本条件，这里面的条件有多少学习需要的，有的是面试或者工作需要的，首先你需要一个本科以上的学历，说实话专科学这个不现实，学不好是一方面，找不到工作是另一方面，其次你需要一下基本知识储备，比如编程能力，统计学基础、现代基础、高数基础等，在这些的基础上才能说自学机器学习。学习机器学习你需要掌握各种算法，分类、聚类、回归等等不仅仅是理论推倒而且是代码实现，多看书、多读论文，多写代码。
神经网络的训练中要计算验证集的损失函数吗？ 我一般在训练网络的时候，计算训练集的损失函数，以及精度和验证集的精度，但今天跟小伙伴讨论了一下，就…
