如何用深度学习将前端设计模型自动转换为代码？

【编辑推荐】

【义务编辑：庞桂玉 TEL：（010）68476606】

这里可以应用卷积神经收集（CNN）和递归神经收集（RNN）这两种核心模型。最常见的 RNN 是长短期记忆（LSTM）收集，也是我将要讲的。

我在之前的文┞仿中已经介绍过很多很棒的 CNN 教程了，所以这里我就只重点介绍下 LSTM。

懂得 LSTM 中的时光步

LSTM 的可贵之一是时光步的概念。原始神经收集可以被认为有两个时光步。如不雅你给它“hello”，它会猜测到“world”。然则，想要猜测更多的时光步是很艰苦的。鄙人面的例子中，输入四个时光步，每个单词对应一个。

LSTM 实用于含有时光步的输入，是一个合适有序信息的神经收集。如不雅你展开我们的模型，就会看到像下图所示的那样。对于每个向下递推的步调，你须要保持同样的权重。对于旧的输出和新的输出，你可以分别设置一套权重。

将加权后的输入和输出用激活函数连接在一路，它就是对应时光步的输出。因为我们反复应用这些权重，它们将大年夜一些输入中提守信息，并建立起有关序列的常识。

以下是 LSTM 中每个时光步的简化版本。

畏敲?解这个逻辑，我建议你参考 Andrew Trask 的出色教程，本身大年夜头开端构建一个 RNN。

懂得 LSTM 层中的不合单位

每个 LSTM 层的单位（unit）数量决定了它的记忆才能，以及每个输出特点的大年夜小。须要再次指出的是，一个特点是用于在层与层之间传输信息的一长串数字。

LSTM 层中的每个单位会进修跟踪语法的不合方面。下面是对一个单位跟踪原始 div 信息的可视化结不雅，是我们用来练习 Bootstrap 模型的简化标签。

每个 LSTM 单位会保护一个细胞状况（cell state）。把细胞状况想象成记忆，而权重和激活函数用来以不合的方法修改状况。这使得 LSTM 层可以或许微调每个输入要保存和丢弃哪些信息。

除了每个输入传递输出特点之外，LSTM 层还会传递细胞状况，个中每个单位都分别对应一个值。畏敲?解 LSTM 中的组件是若何互相感化的，我推荐 Colah 的教程、Jayasiri 的 Numpy 实现以及 Karphay 的讲座和文┞仿。

　　推荐阅读

　　北京市为自动驾驶开绿灯，向百度发放首批自动驾驶路测号牌

全平易近充电节 | 3月26日~30日 2000位IT行业拭魅战专家邀请你一路充电进修！根据筹划，北京市组织扶植了首个占地200余亩的海淀主动驾驶封闭测试场地，测试场包含城市、村庄的多种门路类型，具有丰富的测>>>详细阅读

地址：http://www.17bianji.com/lsqh/40844.html