發(fā)簡(jiǎn)信
IP屬地：浙江
-
經(jīng)典分類卷積網(wǎng)絡(luò)結(jié)構(gòu)、遷移學(xué)習(xí)LeNet-5解析 AlexNet 首次使用Relu函數(shù)缺虐，droupout+BN 卷積網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化 減少計(jì)算量民逼，對(duì)于Alex的優(yōu)化 Incep...
-
卷積神經(jīng)網(wǎng)絡(luò)(CNN）圖像數(shù)據(jù)和邊緣檢測(cè) 上圖錯(cuò)字：達(dá)到瓶頸了 感受野 邊緣檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò)（CNN）原理 卷積層 H：長(zhǎng)，W：寬猎莲，F(xiàn)：卷積核大小幅恋，P：零填充砂豌，S：...
-
BN（批標(biāo)準(zhǔn)化）與網(wǎng)絡(luò)神經(jīng)調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu) 調(diào)參技巧 運(yùn)行： 批標(biāo)準(zhǔn)化（BN） 批標(biāo)準(zhǔn)化公式 為什么批標(biāo)準(zhǔn)化能使優(yōu)化過程變簡(jiǎn)單 internal covraiate shif...
-
手寫數(shù)字識(shí)別案例設(shè)計(jì)主網(wǎng)絡(luò)搭建流程 準(zhǔn)確率可以這么理解： 增加tensorflow的后臺(tái)顯示（可以在網(wǎng)頁看到變量的變化p39） 訓(xùn)練模型保存先嬉、模型存在加載模型進(jìn)行預(yù)...
-
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN)序列模型 定義： 類型：語音識(shí)別轧苫、情感分類、機(jī)器翻譯 為什么序列模型使用CNN效果不好： 循環(huán)神經(jīng)網(wǎng)絡(luò) 定義： 類型： 基礎(chǔ)循環(huán)網(wǎng)絡(luò) 詞的表示 ...
-
深度學(xué)習(xí)正則化偏差與方差 數(shù)據(jù)集劃分 過擬合和欠擬合 解決方法： 高方差是過擬合疫蔓，高偏差是欠擬合含懊。 正則化 邏輯回歸的L1與L2正則化 正則化項(xiàng)理解 神經(jīng)網(wǎng)絡(luò)...
-
梯度下降算法改進(jìn)優(yōu)化的問題：梯度消失、局部最優(yōu) 梯度消失衅胀、梯度爆炸 局部最優(yōu)： 梯度下降 梯度下降的優(yōu)化影響 大小選擇 指數(shù)加權(quán)平均（梯度下降算法本身的優(yōu)化） ...
-
深層神經(jīng)網(wǎng)絡(luò)岔乔、參數(shù)和超參數(shù)、深度學(xué)習(xí)進(jìn)階四層網(wǎng)絡(luò)的前向傳播和反向傳播 前向傳播： 以上公式是由單個(gè)樣本來進(jìn)行表示滚躯，每層經(jīng)過線性計(jì)算和激活函數(shù)兩步計(jì)算雏门。 反向傳播： 參數(shù)和超參數(shù) 參數(shù)初...
-
淺層神經(jīng)網(wǎng)絡(luò)、激活函數(shù)單個(gè)樣本的向量化表示 隱藏層：4個(gè)神經(jīng)元掸掏，輸出層：一個(gè)神經(jīng)元 激活函數(shù)的選擇 可選的函數(shù)有： 修改激活函數(shù)前的前向傳播和反向傳播