Deep learning review（算是一个读综述的笔记？）

最新推荐文章于 2023-11-20 02:04:44 发布
VIP文章 最新推荐文章于 2023-11-20 02:04:44 发布
阅读量572 收藏
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33598225/article/details/91345043
版权

其实是我跟着上的深度之眼一个课程的笔记啦。这是第一周的课程

深度学习方法是具有多层表示的表示学习方法，通过组合简单但非线性的模块来获得，每个模块将一个级别的表示(从原始输入开始)转换为一个更高、更抽象的表示。有了足够多这样的变换组合，就可以学习非常复杂的函数。它非常善于发现高维数据中的复杂结构，因此适用于科学、商业和政府的许多领域。

监督学习

我们计算一个测量误差(或距离)的目标函数在输出分数和期望的分数模式之间。然后修改其内部可调参数，以这个错误。这些可调参数，通常称为权重，可以被视为定义输入-输出函数的“旋钮”的数字
的机器。在一个典型的深度学习系统中，可能有数以亿计的可调节重量，数以百计的数以百万计的带标签的例子来训练机器。
目标函数，在所有的训练例子上取平均值。负梯度向量表示该景观中最陡下降的方向，使其接近最小值，此时平均输出误差较低。

反向传播

反向传播算法的核心思想是：目标函数对于某层输入的导数（或者梯度）可以通过向后传播对该层输出（或者下一层输入）的导数求得。反向传播算法可以被重复的用于传播梯度通过多层神经网络的每一层：从该多层神经网络的最顶层的输出（也就是改网络产生预测的那一层）一直到该多层神经网络的最底层（也就是被接受外部输入的那一层），一旦这些关于（目标函数对）每层输入的导数求解完，我们就可以求解每一层上面的（目标函数对）权值的梯度了。

主要是客观的导数(或梯度)对一个模块的输入可以通过工作从梯度计算对该模块的输出(或输入的后续模块)。反向传播方程可以应用反复传播梯度通过所有的模块,从顶部(网络产生预测的地方)的输出一直到底部(外部输入的地方)。一旦计算了这些梯度&#x

最低0.47元/天 解锁文章
黑白结点
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Deep Learning for Computer Vision_A Brief Review.pdf
05-08
一篇论文：Deep Learning for Computer Vision: A Brief Review 作者：Athanasios Voulodimos ,1,2 Nikolaos Doulamis,2 Anastasios Doulamis,2 and Eftychios Protopapadakis2
Deeplearning 深度学习笔记
05-08
吴恩达Coursera深度学习教程中文笔记，这些课程专为已有一定基础（基本...Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。
Deep Learning Review Questions
parry64的博客
12-27 318
Deep Learning Questions for learning and reviewing
Deep learning REVIEW--三位大牛的Nature
weixin_33709364的博客
11-14 442
Yann LeCun 扬·勒丘恩 卷积神经网络之父 YoShua Bengio 蒙特利尔教授 吴恩达的师兄弟 Geoffrey Hinton 神经网络之父 三人合作的深度学习文字（好不容易计算机科学能在nature上发表） 深度学习主要通过反向传播来改变程序的内参，卷积神经网络在图像，视频，语音和音频处理上有应用，循环神经网络...
Deep Learning:A Review
Dr4gonfly的博客
10-16 219
Supervised learning We compute an objective function that measures the error (or distance) between the output scores and the desired pattern of scores. 我们通过计算一种目标函数来测量输出得分与目标得分之间的偏差，然后机器会修改内在可调参数来减少这种偏差，内在可调参数一般被称作“weights”。在一个典型的深度学习系统中，一般有上亿个“weights”，并
Nature REVIEW :Deep learning
brandday的博客
09-25 307
深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表征。 这些方法极大地改善了语音识别，视觉对象识别，对象检测以及许多其他领域的最新技术，例如药物发现和基因组学。 深度学习通过使用反向传播算法来指示机器应如何更改其内部参数，这些参数从之前的一层的表征计算每层的表征，从而发现大数据集中的复杂结构。 深层卷积网络在处理图像，视频，语音和音频方面带来了突破，而循环网络则对诸如文本和语音之类...
Deep Learning Review
当你努力到把自己都感动的时候，你离成功就不远了。
10-02 2839
http://www.nature.com/nature/journal/v521/n7553/pdf/nature14539.pdfAbstract：DL允许多个处理层的计算机模型来学习具有多层次抽象的数据表示。这些方法改善了愈多方面，包括语音识别，视觉对象识别，对象检测和其他领域，像药物发现和基因学等。DL能发现大数据中的复杂结构通过使用BP算法来指导机器如何从前一层获取误差而改变本层内部参数，
用一篇文章理解DeepLearning
01-27
本文来自于网络博客,本文将带你领略深度学习高端范儿背后的方法与过程。问题导读： 1、什么是深度学习？...3、DeepLearning的基本思想是什么？ 4、如何理解神经网络？ 5、Deeplearning训练过程有哪些？ 6、De
deeplearning深度学习笔记v5.1
01-24
吴恩达 deeplearning 深度学习 笔记 v5.1，包含1-4所有章节，笔记信息最全，版权所有：吴恩达、黄海广
Deep learning REVIEW。深度学习三大牛在《Nature》杂志首次合作的发表综述文章《Deep Learning》。
09-18
Deep learning REVIEW--三位大牛的Nature。深度学习三大牛Yann LeCun、Yoshua Bengio和Geoffrey Hinton在最新的《Nature》杂志首次合作的发表综述文章《Deep Learning》。
《Deep learning for time series classification a review》基于深度学习的时间序列分类综述
yanghe4405的博客
07-10 302
TSC目前最先进的DNN是什么？当前的DNN方法是否达到TSC的最先进性能并且不如HIVECOTE复杂？哪种类型的DNN架构最适合TSC任务？随机初始化如何影响深度学习分类器的性能？最后：是否可以避免DNN的黑盒效应以提供可解释性？我们的实验表明，不仅DNN能够明显优于NN-DTW，而且 使用深度残差网络架构也能够获得与COTE和HIVE-COTE没有显着差异的结果（He等，2016;Wang等，2017b）。最后，我们分析了差的随机初始化如何对DNN的性能产生重大影响。
【论文阅读笔记】Deep learning for time series classification: a review
最新发布
qq_44653420的博客
11-20 869
【论文阅读笔记】Deep learning for time series classification: a review
《Deep learning for time series classification a review》笔记
weixin_40818267的博客
10-17 6348
《Deep learning for time series classification: a review》 1. 摘要 ​时间序列分类（TSC）是数据挖掘中一个重要且具有挑战性的问题。随着时间序列数据可用性的增加，已经提出了数百种TSC算法。在这些方法中，只有少数人考虑过深度神经网络（DNN）来执行这项任务。在本文中，我们简介TSC最新DNN架构，研究了TSC深度学习算法的当前最新性能。在此...
笔记：Deep learning for time series classification: a review
DaZheng121的博客
05-08 271
ResNet is relatively better.
Paper1 Review《Deep learning》笔记
Nico的博客
06-08 261
《Deep learning》三位大佬的review： 时间安排 学习建议 深度学习方法，是通过组合多层次的表示（该表示由每一层简单非线性模块产生），产生更抽象的表示，从而学习到满足要求的复杂函数。 监督学习 one-hot dataset: 输入数据及其对应标签 train: 通过计算目标函数（输出与标签之间的误差），使用BP算法来调整内部的参数（weights）减小误差。 梯度下降：...
目标检测：Object Detection with Deep Learning: A Review
WaitFoF
10-06 2681
文章目录1. INTRODUCTION2. A BRIEFOVERVIEW OFDEEPLEARNING3. 通用目标检测A. Region Proposal Based Framework:基于区域提案的框架1） R-CNN2） SPP网络3） Fast R-CNN4) Faster R-CNN5) R-FCN6) FPN7） Mask R-CNN8） 多任务学习、多尺度表示和上下文建模9） 基于深度学习的目标检测思考B. Regression/Classification Based Framework
Deep Learning(LeCun、Bengio、Hinton在Nature上发表的综述)学习笔记
stu14jzzhan的博客
06-07 3309
Deep Learning学习笔记 这个笔记是对2015年LeCun、Bengio、Hinton在Nature上发表的《Deep Learning》综述论文的一些笔记。笔记严格文章的结构来做的。 文章PDF地址：Download Deep Learning Review 对应的排版比较好的中文翻译: https://artificial-intelligence.net.cn/2019/06...
论文笔记：Deep Learning [nature review by Lecun, Bengio, & Hinton]
热门推荐
人工智能
04-24 1万+
如今，机器学习的技术在我们的生活中扮演着越来越重要的角色。从搜索引擎到推荐系统，从图像识别到语音识别。而这些应用都开始逐渐使用一类叫做深度学习（Deep Learning）的技术。 传统机器学习算法的局限性在于，它们往往很难处理那些未被加工过的自然数据（natural data），例如一张原始的RGB图像。因此，构建一个传统的机器学习系统，往往需要一些有经验的工程师设计一个特征提取器，将原始
deeplearning深度学习笔记v5.72.pdf
08-01
deeplearning深度学习笔记v5.72.pdf是一份关于深度学习的笔记文档，它可能是关于深度学习的教材、指南或者是研究论文的笔记总结。 深度学习是一种机器学习的分支，它利用神经网络模型来模拟人脑的工作原理。深度学习的关键是多层次的神经网络结构，通过一层层的神经元连接和权重调整，自动地从大量的数据中学习并提取有用的特征。深度学习的目标是通过训练，使得神经网络能够自动地完成从输入到输出的复杂映射，从而实现各种人工智能任务，如图像识别、语音识别和自然语言处理等。 在deeplearning深度学习笔记v5.72.pdf中，可能包含了深度学习的基本原理和算法、神经网络的结构和训练方法、常用的深度学习框架和工具等内容。此外，它可能还包含了一些深度学习的应用案例和实践经验，以及一些最新的研究进展和领域前沿。 通过阅读deeplearning深度学习笔记v5.72.pdf，读者可以了解深度学习的基本概念和原理，掌握深度学习的常用工具和技术，以及了解最新的研究动态。这对于想要学习深度学习的初学者来说，是一份很有价值的学习资料。对于已经有一定深度学习基础的读者来说，它可以作为参考和进一步学习的素材，帮助他们深入了解和运用深度学习在各种领域的应用。 总之，deeplearning深度学习笔记v5.72.pdf是一份关于深度学习的笔记文档，对于想要学习深度学习或者已经从事深度学习研究的读者来说，具有很大的参考和学习价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值