- 博客(7)
- 收藏
- 关注
RSS订阅原创 吴恩达深度学习系列课程随记——Course4Week1
1.计算机视觉 任务： 图片分类/识别：图片是不是猫 目标检测：图片中所有车的位置 图片风格迁移：让一张图看起来像毕加索画的 挑战： 数据可能很大，如1k*1k的图片有300万维输入，如果有1000个隐藏单元，一层W会有30亿个参数 因此，需要卷积 2.边缘检测示例 滑动窗口对位相乘，称为卷积运算，小的那个矩阵称为核或者过滤器 图中这个过滤器，用来检测垂直边缘。将它反转一下...
2019-11-17 21:09:33
329
原创 吴恩达深度学习系列课程随记——Course3Week2
1.进行误差分析 第一，你应该找一组错误样本 第二，观察错误标记的样本，假阳性（false positives）和假阴性（false negatives） 第三，统计属于不同错误类型的错误数量，比如把狗分成猫，把狮子分成猫，太模糊分错了 这样你可以发现解决问题的方向，但注意选择首要的方向不能只看错误占比，要考虑解决问题的代价。 2.清除标注错误的数据 训练集标注错了： 如果是少量的...
2019-11-07 10:17:55
368
原创 吴恩达深度学习系列课程随记——Course3Week1
1.为什么是ML策略 当你训练你的网络，你可能觉得它不够好而换算法、改架构、加数据等。 但如果你方向不对，很可能会浪费几个月的时间，这一代价在有的时候是不可承受的。 因此我们需要一些经验和指引。 2.正交化 以控制小车为例，一个控制器控制旋转角，一个控制器控制加速，他们互不相干（夹角90度），使得你可以调整一个功能的时候不影响另一个功能。 体现在学习中，你或许发现你的模型在训练/开发/...
2019-11-06 20:05:48
271
原创 吴恩达深度学习系列课程随记——Course2Week3
1.调试处理 调试什么： 学习率α是最重要的、最需要调节的超参数；其次是Momentum的β、隐藏单元和batchsize；应用Adam算法时，一般不调节他的几个参数。 如何调试： 早期使用网格图枚举超参数组合，但不同超参数的重要性不同，并不应该如此枚举。我们可以随机选择点来测试。 策略：从粗糙到精细，即依据好结果出现的位置不断缩小搜索范围 2.为超参数选择合适的范围 层数、每层单...
2019-11-05 16:36:41
267
原创 吴恩达深度学习系列课程随记——Course2Week2
1.Mini-batch梯度下降 回顾梯度下降： 每一轮都要处理全部样本，样本量太大的话，即使进行了向量化，运行也十分缓慢 使用Mini-batch梯度下降： 将X、Y分成t个小批（batch），分别执行梯度下降。每一个batch执行完都更新W和b，这样一次遍历全部样本后更新了t次W和b而不是一次，这称为一代（epoch）运算。当然我们可以通过循环增加代数来继续运算直到满足要求。 2.理...
2019-11-01 20:11:13
264
原创 吴恩达深度学习系列课程随记——Course2Week1
1.训练、验证、测试集 训练集：用来训练 验证集：用来找出最好模型 测试集：无偏评估算法的运行状态（没有也不要紧） 小数据时代：70%训练30%测试/60%训练20%训练20%测试 大数据时代：99%（或者更多）训练1%验证%1%测试 尽量保证验证集和测试集来自同一分布（网页抓取：牺牲了这一点来获取大量数据） 没有测试集：这时验证集常常被称作测试集 2.偏差、方差 两者的平衡...
2019-10-30 20:33:19
325
原创 吴恩达深度学习系列课程随记——Course1
1.基本神经网络：Logistic回归与梯度下降 相关定义： 梯度下降： 推导获得所需偏导数： 那么可以得到： 类似地： 又： 则： 同理： 2.深层神经网络 类似此前的推导，这里直接给出用课程中符号表示的前向和反向传播过程： 前向传播： 反向传播： 注意两传播过程中公用的量W和A，我们可以在前向...
2019-10-29 16:50:13
221
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人