My Deep Learning

一、重磅 | 完备的 AI 学习路线，最详细的资源整理!

Web

CS231n: Convolutional Neural Networks for Visual Recognition

CS231n
子豪兄-2019最新CS231N斯坦福计算机视觉公开课
翻译
知乎

二. Loss Function

1. 交叉熵损失函数-Cross Entropy Error Function

1. softmax函数
初探softmax
干货 | 浅谈 Softmax 函数
2. Cross Entropy Error Function
（1）定义

3. 总结

1. 神经网络最后一层得到每个类别的得分scores；
2. 该得分经过sigmoid(或softmax)函数获得概率输出；
3. 模型预测的类别概率输出与真实类别的one hot形式进行交叉熵损失函数的计算

代码：

#-*- coding: utf-8 -*-
'''
Pytorch详解NLLLoss和CrossEntropyLoss
参考：https://blog.csdn.net/qq_22210253/article/details/85229988
'''

import torch
import torch.nn as nn
import torch.nn.functional as F

# 2 个图片， 3个类别 cat / dog   第12行分别是第12张图片的结果
input1 = torch.randn(2, 3)
print("input=:")
print(input1)

# 这里设置dim=1，可以看到每一行的加和为1
SoftMax = nn.Softmax(dim = 1)
SM = SoftMax(input1)
print("SM=:")
print(SM)

# 然后对Softmax的结果取自然对数
Log_SM = torch.log(SM)
print("Log_SM=:")
print(Log_SM)
# Softmax后的数值都在0~1之间，所以ln之后值域是负无穷到0。

# 假设我们现在Target是[1, 0]（第一张图片是dog，第二张是cat）。
# 第一行取第1个元素，第二行取第0个,。再求个均值

NLLLoss = nn.NLLLoss()
target = torch.tensor([1, 0])
NLL_out = NLLLoss(Log_SM, target)
print("NLL_out")
print(NLL_out)

# CrossEntropyLoss就是把以上Softmax–Log–NLLLoss合并成一步，我们用刚刚随机出来的input直接验证一下结果是不是==
CrossEntropyLoss = nn.CrossEntropyLoss()
CE = CrossEntropyLoss(input1, target)
print("CE")
print(CE)

2. Focal Loss

1.Function
1. zhihu
2. 博客
3. bilbil
bilbil 博客

3. SoothL1Loss

介绍

hard example mining（https://zhuanlan.zhihu.com/p/51708428）

三. Activation Function

四、全连接网络（多层感知机-MLP）

1. 基本原理 代码片段:

#-*- coding: utf-8 -*-
# 利用 python 来模拟全连接神经网络的学习、迭代、反向传播过程
# https://www.bilibili.com/video/BV1K7411W7So?p=4

import numpy as np
from numpy.random import randn

N, D_in, H, D_out = 64, 1000, 100, 10

# 输入维度： （64， 1000）  输出维度：（64， 10）# 64 个数据，每个数据1000个特征； 
x, y = randn(N, D_in), randn(N, D_out)

# 初始化权重
# w1:(1000, 100)  w2:(100, 10)
w1, w2 = randn(D_in, H), randn(H, D_out)

# 迭代
for t in range(2000):
    # 输入
    h = 1 / (1 + np.exp(-x.dot(w1)))      # sigmoid 激活函数
    y_pred = h.dot(w2)                    # 线性
    
    # loss
    loss = np.square(y_pred - y).sum()         # 均方误差
    print(t, loss)
    
    # 计算梯度
    # loss -> output
    grad_y_pred = 2 * (y_pred- y)
    # loss -> w2
    grad_w2 = h.T.dot(grad_y_pred)
    # loss -> hidden
    grad_h = grad_y_pred.dot(w2.T)
    # loss -> w1
    grad_w1 = x.T.dot(grad_h * h * (h - 1))
    
    # 更新权重
    w1 -= 1e-4 * grad_w1
    w2 -= 1e-4 * grad_w2
    
    
# numpy.dot: dot()返回的是两个数组的点积(dot product)

2. Pytorch-利用全连接网络进行回归和分类！

五、卷积神经网络

1. 定义

CS231n
特点：

1. 权值共享
2. 局部感受野
3. 平移不变性

池化： 引入平移不变性；减少参数量；防止过拟合；
理解一：

相比于全连接，卷积不需要神经元与前面的神经元全部连接，参数变少。

理解二：
图片网址

图2

输入：N×N×3;
输出：N×N×1;
此处只有一个卷积核kernel ，该卷积核包含有三个通道。

图1

2D 3D展示LeNet5的执行过程

https://www.cs.ryerson.ca/~aharley/vis/conv/flat.html

https://www.cs.ryerson.ca/~aharley/vis/conv/

一个可视化的卷积动图

2. Pytorch-利用卷积神经网络进行回归和分类！

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎