KQ的博客

前言这篇博客主要记录"吴恩达depplearning系列课程"第三周编程作业代码+自己的补充理解的相关内容，以作为学习记录。学习过程中借鉴了各位大佬的代码，想要追根溯源的朋友可以看这几位大佬的博客：大树先生的博客(英文版)，何宽（中文版）作为初学者，本文的代码是自己当前能做到的”终极满意缝合怪“，同时部分原搬的代码也加了很多注释，便于理解。目录编程练习环境：Pycharm 2017.1/python 3.8第1部分:需要准备的Packages1.1 - sigmoid函数，np.exp()的

1.机器深度学习的实操课程 1.1训练_开发_测试集 1.2偏差_方差 1.3机器学习基础 1.4正则化 1.5为什么正则化可以减少过拟合？ 1.6Dropout正则化 1.7理解Dropout 1.8其他正则化方法 1.9归一化输入 1.10梯度消失于梯度爆炸 1.11神经网络的权重初始化 1.12梯度的数值逼近 1.13梯度检验 1.14关于梯度检验实现的注记...

目录编程作业：使用Numpy的基础Python、logistic回归编程语言：Python第1部分:使用Numpy的Python基础知识(可选赋值)，用numpy构建基本函数1.1 - sigmoid函数，np.exp()的一些前提介绍1.2 练习:使用numpy实现sigmoid函数1.3 sigmoid函数的梯度计算1.4 数组维度的重塑1.5 规范化矩阵的行1.6 广播（Broadcasting ）和softmax功能第二部分：向量化2.1实现L1和L2损失函数

目录上接（第三章：实现一个神经网络）第四章：深度神经网络4.1深层神经网络4.2前向和反向传播 4.2.1前向传播 4.2.2反向传播4.3深层网络中的前向传播4.4核对矩阵的维数4.5向量化实现的解释4.6搭建深层神经网络块4.7参数vs超参数4.8深度学习和大脑的关系第四章：深度神经网络4.1深层神经网络层数=隐藏层数+输出层用来描述深度神经网络的符号约定：①L——表示神经网络的层数②n^[l]——表示节点的数量，或者l层上的单元数量③a^[l]——表示

目录上接（第二章：神经网络编程的基础知识）3.1神经网络概览 3.2神经网络表示3.3计算神经网络的输出3.4多个样本的向量化3.5向量化实现的解释3.6激活函数3.6.1 sigmoid函数3.6.2 tanh(z)（双曲正切函数）3.6.3 ReLU函数3.7为什么需要非线性激活函数？3.8激活函数的导数3.9神经网络的梯度下降算法的具体实现3.10（选修）直观理解反向传播（略）3.11随机初始化 3.1神经网络概览统一规定：【】表示神经网络层；（）表示

2.神经网络编程的基础知识2.1常用的符号：（x，y）——表示一个单独的训练样本，x作为特征向量输入，标签y值为0或1m：{（x(1),y(1)），（x(2),y(2)）……（x(m),y(m)）}——训练集由m个样本组成m_train——训练集样本数目m_test——测试集样本数目2.2logistic回归的模型理解：1) 是一个用于监督学习问题中的学习算法，当输出是0/1时，则为一个二元分类问题；2) 二分分类的问题的目标往往是训练出一个分类器，它以图片的特征向量作为x的输入，通过神经

深度学习“深度学习”：指训练神经网络1. 神经网络的基本概念1.1神经元（此例用以体会单个神经元的形式：假如我们要建立房价的预测模型，一共有六个房子。我们已知输入x即每个房子的面积（多少尺或者多少平方米），还知道其对应的输出y即每个房子的价格。根据这些输入输出，我们要建立一个函数模型，来预测房价：y=f(x)。ReLU函数（修正线性单元）：函数开始为0，然后是一条直线1.2神经网络：是神经元（隐藏单元）的叠加，同时只需要给出输入特征x和输出y（基于一定数量的训练集），所有中间过程能够自己完成