机器学习就是:从大量数据中学习并提取“特征s(肯定是很多个)”--再用提取的“特征”做事情。
特征s就是:一堆很高很高维的复杂高等数学公式
学习并提取的过程:将够足多的数据输入给“网络模型(各种算法结构性组成)”,最终生成“特征s”
在学习跑各种demo过程中,自己经常会很多问题,于是就查找答案解惑。将几个最帮助我进一步理解其中原理分享出来
1、什么时候用什么激活函数---深度学习:激活函数的比较和优缺点,sigmoid,tanh,relu
3、批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解-----非卷积其它网络也有用到
4、池化层(pooling)和全连接层(dense)、卷积层--非卷积其它网络也都有用到
5、全连接的理解
6、深度学习中 Batch Normalization为什么效果好?---非卷积其它网络也都有用到
感觉这些不够,实现太多了就分享自己知乎学习时认为好文章的收藏(图像识别与语音、翻译)