- 博客(10)
- 收藏
- 关注
RSS订阅原创 学习笔记10 《吴恩达深度学习》Deep Learning
输出也一样，y表示输出，上标‹1›，‹2›...‹9›表示位置，用Tx表示输入数据的长度，这个例子中共9个词，所以，Tx等于9，然后我们用Ty表示输出序列的长度。这样做的目的是，根据x的表示，使用序列模型的映射，然后目标输出y。也许，你还记得这个符号x^(i)，它表示第i个训练样本，所以，为了表示第t个元素，或者是训练样本，i的序列中的第t个元素，我会使用X^(i)‹t›这个符号。类似的，y^(i)‹t›代表第i个训练样例的输出序列的第t个元素，Ty^(i)则是第i个训练样例的输出序列的长度。
2023-12-29 17:17:01
930
1
原创 学习笔记9 《吴恩达深度学习》Deep Learning
在某些情况下，输入X和输出Y皆为序列，在此情况下，有时X和Y可以有不同的长度。而在其中的一些例子中，只有X,或相反的只有Y是一个序列。在这种情况下，只有输出Y为序列，输入可以是空集合，亦或是一个整数，以代表你想要产生的音乐类型，或是你想要的音乐片段的最初几个音符。所以我希望这些令人兴奋的问题们能带给你一些，关于序列模型可能可以帮助你处理的问题的概念。基于此，让我们进到下一个影片，在那里我们将定义，这些序列问题的标记法。在影片活动识别中，您可能会得到一序列影片的画面，并被要求辨别出其中的活动。
2023-12-23 14:49:57
371
1
原创 学习笔记8 《吴恩达深度学习》Deep Learning
当我们有一个很大的网络和很多的数据的时候，我们需要在合理的时间里去训练，快速计算很重要的另一个原因是，你训练一个神经网络的过程，是一个循环。你有一个网络架构的想法，你去用代码实现，实现你的想法，之后让你实验结果告诉你你的网络表现怎么样，这样你可以回过头去修改，网络里面的细节。但是过去10年，我们社会发生的事情是，对于非常多的问题，我们从只有相对来说少量的数据，到相对大量的数据。在最近这次深度学习崛起的早期，两个不同的关于小脑学习的例子，主要是靠大量的数据，和高效的计算能力，也就是我们训练网络的能力。
2023-12-21 22:33:41
944
原创 学习笔记7 《吴恩达深度学习》Deep Learning
事实上，这些3×3的垂直边界检测器，只是一个可能的选择。我们已经学习了能够检测，垂直边界的3×3的过滤器，因此你不会太惊讶于3×3的过滤器同样能够，检测水平的边界。如果需要的话，反向传播可以选择 学习得到111000-1-1-1，或者是Sobel过滤器，或是Scharr过滤器，更有可能的是它能学到，比前述这些人为定义的过滤器更加善于捕捉你的数据的 统计学特征的过滤器。这是我们在上一个视频中看到的例子，有一个图片，6×6大小，左边亮右边暗，将它与垂直边缘检测器进行卷积，得到在图中间的垂直边缘。
2023-12-20 12:42:01
1018
1
原创 学习笔记6 《吴恩达深度学习》Deep Learning
而召回率就是，对于所有是猫的图片，你的分类器有多少百分比可以正确的识别出来，即多少比率的真猫正确的识别出了。问题就在于把他们作为评估指标时，如果分类器A的召回率比较好，像这里，而分类器B的精准率更好些，你就不能确定究竟哪个分类器更好了。它在权衡精准率和召回率时是很好用的。因此我的建议是与其使用两个数字，精准率和召回率来选择分类器，不如找一个新的评估指标，它兼顾了精准率和召回率。我们通常是先有一个想法，用代码实现它，再实验验证它的效果，然后通过验证的结果来改进之前的想法，不断的在这个循环中改进你的算法。
2023-12-19 19:04:18
354
原创 学习笔记5 《吴恩达深度学习》Deep Learning
这是一个卷积神经网络的例子，并且在之后的课程中，我们会详细介绍这幅图片的含义相，和如何实现并部署卷积神经网络。这些术语的意思是，结构化数据是基于数据库的数据。但是，神经网络所创造出的许多短期经济价值，仍然聚焦在结构化数据上，例如更好的广告系统、更好的利润推荐系统，在海量的数据库上有更好的处理数据的能力，很多公司都基于这些做出更加精确的预测。很多有价值的发明都是通过神经网络在特定问题下来巧妙地建立x对应y的函数映射关系，并且通过监督学习拟合数据，成为某个复杂系统的一部分，例如自动行驶的交通工具。
2023-12-19 15:27:21
824
原创 学习笔记4 《吴恩达深度学习》Deep Learning
同理，如果你的算法不适合训练集的代价函数，你需要一个旋钮，是的，这是我画的一个旋钮，或一组可以使用的旋钮，以确保你可以优化算法，使其适用于训练集。相反，如果你发现算法对开发集的拟合效果不太好，那么就需要另一套独立的旋钮，是的，这就是我画的不太好的，另一套旋钮。在机器学习中，很不错的是如果你能看着你的系统，然后说，它的这部分错了，它在训练集上表现得不是很好，在开发集里也表现得不是很好，它在测试集上也表现得不太好 或者说它在某些特定的训练集上表现得好一些，但是这些表现的好的特定测试集都不是在现实中的。
2023-12-19 10:22:21
348
原创 学习笔记3《吴恩达深度学习》Deep Learning
这有一个简单的6×6的图像，这个图像的左半边是10，右半边是0。左边有亮像素，你并不在意中间有什么，然后在右边是暗像素，在这个6×6的图像的中间，可能会有亮色素在左边，暗色素在右边。下面是计算这个4×4输出的方法，计算第一个元素，也就是这个，4×4矩阵中左上角的这个元素，你要做的是用这个3×3的过滤器，把它粘贴到你的原始图像的这块3×3区域上面。你将要求同样的元素积然后相加，所以你有0×1+5×1+7×1+1×0+8×0+2×0+2×-1+9×-1+5×-1，如果你把这九个数加起来，你得到-4，以此类推。
2023-12-18 23:55:16
1243
原创 学习笔记2《吴恩达深度学习》Deep Learning
来看一个例子，不仅仅用房屋的面积来预测价格，现在你还有一些房屋的其他特征，知道了一些别的信息，比如卧室的数量，这样记下来。那么你实际上做的就是，这有四个输入的神经网络，输入的特征，可能是卧室的数量，邮政编码，和周边的富裕程度。每个的输入都同时来自四个特征，比如说，我们不会具体说，第一个节点表示家庭人口，或者说家庭人口仅取决于特征x1和x2，我们会这么说，神经网络，你自己决定这个节点是什么，我们只给你四个输入特征，随便你怎么计算。不理解ReLU函数的话，不用担心，这门课的后面，还会看到它的。
2023-12-18 17:22:00
930
1
原创 学习笔记1《吴恩达深度学习》Deep Learning
因为我知道，这是当今热门的材料，在绝大部分大学里面不会教授的，在他们的深度学习课堂上面，但我认为它会提供你帮助，让深度学习系统工作的更好。深度学习改变了传统互联网业务，例如网络搜索和广告，但是深度学习同时也使得许多新产品和企业以很多方式帮助人们，从获得更好的健康关注，深度学习做得非常好的一个方面就是读取X光图像，到生活中的个性化教育，到精准化农业，甚至到驾驶汽车以及其他一些方面。因此，通过这些课程，你将学习深度学习的这些工具，你将能够去使用它们，去做一些神奇的事情，希望你借此来提升自己的职业生涯。
2023-12-18 16:18:41
597
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人