![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
Jack_lyp2017
坚持别人不能坚持的!
展开
-
卷积神经网络细节上的问题总结
一、卷积层和池化层有什么区别? 首先可以从结构上可以看出,卷积之后输出层的维度减小,深度变深。但池化层深度不变。同时池化可以把很多数据用最大值或者平均值代替。目的是降低数据量。降低训练的参数。对于输入层,当其中像素在邻域发生微小位移时,池化层的输出是不变的,从而能提升鲁棒性。而卷积则是把数据通过一个卷积核变化成特征,便于后面的分离。 二、采用宽卷积的好处有什么?原创 2017-10-25 16:18:57 · 1147 阅读 · 0 评论 -
人工智能领域的几个的技术大牛博客
最近在学习深度学习方向,发现了几个大牛的博客,所以就Mark一下!1.李飞飞高徒Andrej Karpathy,目前是特斯拉人工智能与自动驾驶视觉总监,他在斯坦福获得博士学位后,其博客就火了。该博客通过实例介绍了深度学习的相关内容,有一些作者的技术思考,甚至还有一份斯坦福读博技巧。学术网站:http://cs.stanford.edu/people/karpathy/博客:http:/转载 2017-11-29 14:43:50 · 1807 阅读 · 0 评论 -
机器学习和深度学习面试题
1.带核的SVM为什么能分类非线性问题? 核函数的本质是两个函数的內积,而这个函数在SVM中可以表示成对于输入值的高维映射。注意核并不是直接对应映射,核只不过是一个內积 2.常用核函数及核函数的条件: 核函数选择的时候应该从线性核开始,而且在特征很多的情况下没有必要选择高斯核,应该从简单到难的选择模型。我们通常说的核函数指的是正定和函数,其充要条件是对于任意的x属于X,要求翻译 2017-11-29 15:08:30 · 1373 阅读 · 0 评论 -
吴恩达深度学习课程心得
心得1:深度学习内的矢量化(vectorization)在上这门课之前,我从没有意识到一个神经网络可以不用for循环来搭建。吴恩达很好地传达了矢量化代码设计的重要性。在作业中,他还提供了一个标准化的矢量代码设计样本,这样你就可以很方便的应用到自己的应用中了。心得2:DNN的深层理解在第一个课程中,我学会了用NumPy库实现前向和反向传播过程,我因而对诸如Tensor翻译 2017-12-07 15:31:03 · 643 阅读 · 0 评论