松下J27录放机

VGG16能让某个指定的feature map激活值最大化图片的可视化(JupyterNotebook实战)

本文是基于JupyterNotebook的VGG16卷积核的可视化实战，有代码也有详细说明

在VGG16模型中输入任意一张图片VGG16模型就能给出预测结果，但为什么会得到这个预测结果，通过观察每层的feature map或许有助于我们更好的理解模型。

比如说，在下图的左图中随着迭代次数的增加，损失函数的值越来越低，说明训练的模型准确率越来越高。打破了每层神经网络中的co-adapting(协同适应性)，即，神经元之间的相互依赖，他会引起模型在训练数据上表现很好，但在新数据上表现不佳。欢迎大家转载，但是，如果有人引用或者COPY我的文章，必须在你的文章中注明你所使用的图片或者文字来自于我的文章，否则，侵权必究。由于深层神经网络的学习功能十分强大，因此，在训练数据集的学习过程中，除了学习我们期望的部分，还会学习到噪声。6，1 线性分类器中的正则化。

本文介绍了深度学习中梯度下降的基本原理，以及几种常见的梯度下降的优化算法。

weight initialization+batch normlization

这篇文章介绍了深度学习中数据预处理的几种方法

本文重点介绍了神经网络中各种activation函数的性质

深度学习 --- stanford cs231学习笔记三(卷积神经网络CNN)

本文是我自己在写cs231n的assignment1时的个人笔记，供参考。

本文是我自己在写cs231n的assignment1时的个人笔记，供参考。

本文是针对所有正在学习和打算学习stanford cs231n课程的同学在写编程作业之前，就如何在chrome中安装colab的非常基础和简单的介绍。

stanford cs231学习笔记二(神经网络和反向传播)

本文是笔者学习Stanford cs231过程中的笔记。