- 博客(7)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 练习：卷积和池化过程中注意事项
元素化相乘注意的是，我们在使用滤波器进行卷积的时候，是元素化相乘的，所以，要使用*，而不要使用np.multiply卷积切片和池化切片我们基于图像学习来讨论这个问题。对于多维参数输入而言，比如说，我们是A=（4,5,5,3）表示的的有4个输入图像，每个图像是5×5，因为是RGB图像，所以是有3层。对于卷积而言，我们通常是三维卷积，所以，卷积切片代码这样写: for...
2018-05-20 17:49:35
598
1
原创 练习：Padding 填充
在卷积神经网络中实施填充是一件十分重要的事情，如果没有填充，边缘区域的像素值基本不会受到卷积层的影响。那么，如何写填充代码：# if you want to pad the array "a" of shape (5,5,5,5,5)(5,5,5,5,5) with pad = 1 for the 2nd dimension, # pad = 3 for the 4th dime...
2018-05-20 11:49:33
1253
原创 3.2.5 端到端的学习
什么是端到端的深度学习深度学习中最令人振奋的最新动态之一就是端到端深度学习的兴起，那么端到端学习到底是什么呢？简而言之，以前有一些数据处理系统或者学习系统，它们需要多个阶段的处理。那么端到端深度学习就是忽略所有这些不同的阶段，用单个神经网络代替它。如图所示，以语音识别为例，传统上，语音识别需要很多阶段的处理。首先你会提取一些特征，一些手工设计的音频特征，在提取出一些低层次特征之后，你可...
2018-05-06 11:27:32
6181
原创 3.2.4 迁移学习和多任务学习
迁移学习总结一下，什么时候迁移学习是有意义的？如果你想从任务A学习并迁移一些知识到任务B，那么当任务A和任务B都有同样的输入时，迁移学习是有意义的。在第一个例子中，A和B的输入都是图像，在第二个例子中，两者输入都是音频。当任务A的数据比任务多得多时，迁移学习意义更大。所有这些假设的前提都是，你希望提高任务B的性能，因为任务B每个数据更有价值，对任务A来说通常任务的数据量必须大得多，才有帮助，因...
2018-05-06 10:32:08
2084
原创 3.2.3 如何解决数据不匹配问题
在不同的划分上进行训练并测试深度学习，对于数据的要求量很大。但有时候我们难以收集到足够的数据，可能一些其他数据要从其他办法来获得，这样就会容易出现不同数据的分布不同的情况。那么我们应该怎么办呢？假设你在开发一个手机应用，用户会上传他们用手机拍摄的照片，你想识别用户从应用中上传的图片是不是猫。我们真正想要识别的是用户上传的图片。但是关于这些图片我们手头的数据量是不够的。我们也可以从网上下...
2018-05-05 15:03:34
3843
1
原创 3.2.2 快速搭建你的第一个系统所，并进行迭代
快速搭建你的第一个系统所，并进行迭代如果你将机器学习算法应用到新的应用程序里，你的主要目标是弄出能用的系统，你的主要目标并不是发明全新的机器学习算法，这是完全不同的目标，那时你的目标应该是想出某种效果非常好的算法。所以我鼓励你们搭建快速而粗糙的实现，然后用它做偏差/方差分析，用它做错误分析，然后用分析结果确定下一步优先要做的方向。吴教主深度学习和神经网络课程总纲...
2018-05-05 10:43:02
294
原创 3.2.1 造成误差的原因分析
进行误差分析比如说图片识别的机器学习算法，可能会有一些图片被错误的识别了。我们要想提高准确率，可以先去分析一下到底有哪种图片被错误的的识别了。比如说有100张图片被错误的识别了，我们可以对这100张图片进行分类，看哪些图片被错误的识别成了猫哪些图片被错误的识别成了狗。或者是哪些图片，因为比较模糊儿被错误的识别。于是，我们就可以针对这些被错误识别的图片，进行个性化的优化来提高准确率。这是对于...
2018-05-04 22:03:53
1504
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人