Rome was not built in a day.

最初提出是针对NLP领域，并且在NLP领域大获成功。这篇论文也是受到其启发，尝试将应用到CV领域。

二分图通常针对无向图问题。假设GVEG=(V,E)GVE是一个无向图，节点集合VVV可以分割为两个互不相交的子集，并且图中每条边依附的两个节点都分属于这两个互不相交的子集，两个子集内的节点不相邻。

李宏毅深度学习课程笔记（一）——Self-attention和Transformer1. 前言2. Self-attention视频课程链接：https://www.bilibili.com/video/BV1Xp4y1b7ih?1. 前言在过去的使用场景中，模型的输入通常只有一个单独的向量，而模型的输出则是预测的数值或类别，如上图。但是假设输入的是一排向量（或序列），且向量的长度不是固定的，例如声音信号、语句、基因序列等，如上图。而对于模型输出而言，可以分为如下图所示的三种类型，即输入输出序列

吴恩达卷积神经网络——学习笔记（三）1. 目标定位 (Object Localization)1.1 基本概念1.2 标签定义1.3 损失函数2. 目标检测 (Object Detection)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.csdn.net/weixin_36815313/article/details/1057289191. 目标定位 (Object Localization)1.1

ResidualBlock)来构建任意深度的神经网络，但是又能避免普通的卷积层堆积存在的信息丢失问题，保证前向信息流的顺畅，同时残差结构又能应对反向传播过程中的梯度消失问题，保证反向信息流的顺畅。对于非常深的深层神经网络来说，由于梯度消失和梯度爆炸的影响，隐藏层的权重更新缓慢甚至停滞，训练过程中网络的正、反向信息流动不顺畅，网络没有被充分训练，导致深层网络的效果还不如浅层网络。的结构并不复杂，而且网络结构很规整，同时卷积层的过滤器数量变化存在一定的规律，而它的主要缺点是需要训练的特征数量非常巨大。...

吴恩达卷积神经网络——学习笔记（一）1. 边缘检测示例 (Edge Detection Example)1.1 卷积运算1.2 垂直边缘检测器的应用案例2. 更多边缘检测内容 (More Edge Detection Example)3. Padding4. 卷积步长 (Strided Convolutions)5. 三维卷积 (Convolutions Over Volumes)5.1 三维卷积的计算5.2 多个过滤器的三维卷积6. 单层卷积网络 (One Layer of a Convolutional

吴恩达改善深层神经网络——学习笔记（三）视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.csdn.net/weixin_36815313/article/details/105728919

吴恩达改善深层神经网络——学习笔记（二）1. Mini-batch梯度下降 (Mini-batch Gradient Descent)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.csdn.net/weixin_36815313/article/details/1057289191. Mini-batch梯度下降 (Mini-batch Gradient Descent)机器学习的应用是一个高度依赖经

吴恩达改善神经网络——学习笔记（一）1. 训练/开发/测试集 (Train/Dev/Test Sets)2. 偏差/方差 (Bias/Variance)3. 机器学习基础 (Basic “Recipe” for Machine Learning)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.csdn.net/weixin_36815313/article/details/1057289191. 训练/开

吴恩达神经网络与深度学习——学习笔记（三）1. 深层神经网络 (Deep L-layer Neural Network)视频课程链接：https://www.bilibili.com/video/BV1FT4y1E74V?笔记参考链接：https://blog.csdn.net/weixin_36815313/article/details/1057289191. 深层神经网络 (Deep L-layer Neural Network)...

吴恩达神经网络与深度学习——学习笔记（二）

吴恩达神经网络与深度学习——学习笔记（一）1.二元分类(Binary Classification)逻辑回归是一个用于二元分类(binary classification)的算法。以一张图片作为输入，如果识别为猫，则输出标签1为结果。如果识别到不是猫，那么输出标签0作为结果。现在我们可以用字母y来表示输出的结果。一张图片在计算机中的表示方式类似于上图。一张图片由红、绿、蓝（RGB）三种颜色通道的矩阵构成，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、