Deep Learning
文章平均质量分 87
聚焦理论知识,打通任督二脉
如松茂矣
终生充电!
展开
-
深入理解自编码器(用变分自编码器生成图像)
用 VAE 生成图像原创 2022-12-24 16:39:21 · 1873 阅读 · 3 评论 -
大规模神经网络的实现(什么是异步梯度下降?怎样进行模型压缩?)
大规模神经网络的实现原创 2022-11-28 20:43:59 · 665 阅读 · 0 评论 -
深度学习实践方法论:从零到一搭建一个深度学习系统要综合考虑哪些策略?
深度学习实践方法论原创 2022-11-27 21:32:34 · 892 阅读 · 0 评论 -
卷积神经网络的可视化(三)(可视化类激活的热力图,keras)
可视化图像中类激活的热力图:有助于理解图像的哪个部分被识别为属于某个类别,从而可以定位图像中的物体。这对于我们判断网络是否学到了真正有含义的表示非常有意义。原创 2022-11-15 10:39:53 · 1642 阅读 · 0 评论 -
卷积神经网络的可视化(二)(可视化卷积神经网络的过滤器)
可视化卷积神经网络的过滤器:有助于精确理解卷积神经网络中每个过滤器容易接受的视觉模式或视觉概念原创 2022-11-13 11:44:12 · 785 阅读 · 0 评论 -
卷积神经网络的可视化(一)(可视化中间激活)(猫狗分类问题,keras)
可视化卷积神经网络的中间输出:有助于理解卷积神经网络连续的层如何对输入进行变换,也有助于初步了解卷积神经网络每个过滤器的含义。原创 2022-11-12 12:12:28 · 840 阅读 · 0 评论 -
深入理解卷积神经网络(附代码,底层实现)
剖析卷积神经网络的原理原创 2022-11-10 18:07:16 · 2691 阅读 · 1 评论 -
深度模型中的优化(二)
SGD、带动量SGD、AdaGrad、RMSProp、Adam原创 2022-11-09 18:05:43 · 505 阅读 · 0 评论 -
深度模型中的优化(一)
深度模型中的优化面临的挑战原创 2022-11-09 15:34:00 · 372 阅读 · 0 评论 -
深度学习中的正则化(二)
深度学习中的正则化方法原创 2022-11-08 16:24:08 · 199 阅读 · 0 评论 -
深度学习中的正则化(一)
深度学习中的正则化方法原创 2022-11-08 11:43:43 · 220 阅读 · 0 评论 -
深度前馈网络(六)发展历程
前馈网络的发展历程原创 2022-11-08 09:53:44 · 248 阅读 · 0 评论 -
深度前馈网络(五)反向传播
用实例生动演示反向传播过程原创 2022-11-07 20:42:02 · 229 阅读 · 0 评论 -
深度前馈网络(四)架构设计
万能近似定理原创 2022-11-07 15:30:28 · 153 阅读 · 0 评论 -
深度前馈网络(三)隐藏单元
如何选择隐藏单元的类型?原创 2022-11-07 11:51:27 · 296 阅读 · 0 评论 -
深度前馈网络(二):基于梯度的学习
代价函数与输出层的激活函数原创 2022-11-07 10:58:05 · 273 阅读 · 0 评论 -
深度前馈网络(一)学习 XOR
用 前馈网络解决一个非常简单的任务:学习 XOR 函数。原创 2022-11-06 12:20:57 · 430 阅读 · 2 评论 -
深度前馈网络(零)前言
深度前馈网络简介原创 2022-11-06 11:15:27 · 174 阅读 · 0 评论 -
机器学习基础(九)促使深度学习发展的挑战
为什么处理高维数据时在新样本上泛化特别困难,为何在传统机器学习中实现泛化的机制不适合学习高维空间中复杂的函数?原创 2022-11-06 10:30:41 · 180 阅读 · 0 评论 -
机器学习基础(八)支持向量机
在 sklearn 中使用支持向量机原创 2022-11-05 20:36:09 · 428 阅读 · 0 评论 -
机器学习基础(七)广义线性模型
监督学习-广义线性模型原创 2022-11-05 11:30:18 · 685 阅读 · 0 评论 -
机器学习基础(六)贝叶斯统计
频率派的视角是真实参数θ是未知的定值,而贝叶斯统计则用概率反映知识状态的确定性程度。原创 2022-11-04 20:04:30 · 299 阅读 · 0 评论 -
机器学习基础(五)最大似然估计
我们希望有些准则可以让我们从不同模型中得到特定函数作为好的估计,而不是猜测某些函数可能是好的估计,然后分析其偏差和方差。最常用的准则是最大似然估计。原创 2022-11-04 11:42:29 · 631 阅读 · 0 评论 -
机器学习基础(四)估计、偏差和方差
统计领域为我们提供了很多工具来实现机器学习目标,不仅可以解决训练集上的任务,还可以泛化。基本的概念,例如参数估计、偏差和方差,对于正式地刻画泛化、欠拟合和过拟合都非常有帮助.原创 2022-11-04 10:48:41 · 433 阅读 · 0 评论 -
机器学习基础(三)超参数和验证集
验证集是什么?怎么使用验证集?原创 2022-11-03 10:34:08 · 301 阅读 · 0 评论 -
机器学习基础(二)容量、过拟合、欠拟合
机器学习的主要挑战是我们的算法必须能够在先前未观测的新输入上表现良好,而不只是在训练集上表现良好。原创 2022-11-03 10:06:42 · 304 阅读 · 0 评论 -
机器学习基础(一)学习算法
机器学习基础(一)学习算法:任务、性能度量、经验是什么?原创 2022-11-02 10:45:28 · 119 阅读 · 0 评论