李宏毅机器学习笔记：深度学习入门简介 反向传播

最新推荐文章于 2024-08-24 23:56:08 发布
最新推荐文章于 2024-08-24 23:56:08 发布
阅读量175 收藏 1
点赞数 1
文章标签： 神经网络 深度学习 机器学习
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_37858725/article/details/119845594
版权

源视频链接：https://www.bilibili.com/video/BV1Ht411g7Ef?p=13

学习笔记总结

  1. 深度学习和传统机器学习 处理特征的差异；做传统机器学习必须要做特征工程来选择合适的输入特征，但深度学习是可以不用事先做特征工程，而是在隐藏层中完成特征选择抽取
  2. 深度学习本质就是神经网络的进一步延伸，每一层神经元运算都是矩阵运算
  3. 神经网络架构非常重要，决定了潜在可能的函数集合，越复杂的架构越有可能包含正确的函数模型，其次通过梯度下降法 来更新网络参数
  4. relu sigmod tanlu softmax 是四种常用的激活函数
  5. 反向传播法 先做一次前向传播再做一次反向传播从而计算出损失函数对网络权重的偏微分 （有效率的计算梯度（Gradient） 的向量（Vector）来更新参数进行梯度下降法在这里插入图片描述
    ）
麻麻在学习
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
李宏毅 3 深度学习简介和反向传播
mushroom_yogurt的博客
05-22 194
Deep learning 三个步骤 DL 的步骤和ML 一样，DL的第一个步骤中选取的模型是神经网路Neural Network 1. 神经网络Neural Network 神经网络中每一个连接（按照某种结构）的函数（例如logistics function Sigmoid）都有自己的权重和偏差，这些权重和偏差就是参数。连接的方式由自己设计的。 完全连接前馈神经网络 Fully Connect Feedforward Network 这种方式，每一层的每一个函数之间都有连接。随着层数的变多，运算量会变
李宏毅深度学习 深度学习介绍和反向传播机制Task04
wkywcd的博客
08-17 138
目录一、深度学习深度学习的历史深度学习步骤神经网络模型评估损失举例二、 反向传播反向传播介绍总结 一、深度学习 深度学习的历史 1958: Perceptron (linear model) 1958: Perceptron (linear model) 1969: Perceptron has limitation 1980s: Multi-layer perceptron 1986: Backpropagation 1989: 1 hidden layer is “good enough”, 2006
李宏毅深度学习笔记2：深度学习简介、反向传播
weixin_44796129的博客
10-04 100
深度学习的发展过程2009年使用GPU训练网络2011年在语音识别领域逐渐流行2012年使用深度学习方法赢得ILSVRC图像识别比赛深度学习的三步曲定义一系列函数定义损失函数优化模型手写数字识别任务损失函数：已知参数，通过模型得到输入数据的输出值；已知真实值将每个损失函数加总。
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 743
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
【李宏毅机器学习笔记】7、反向传播（Backpropagation）
01-06
【李宏毅机器学习笔记】1、...【李宏毅机器学习笔记】7、反向传播（Backpropagation） 【李宏毅机器学习笔记】8、Tips for Training DNN 【李宏毅机器学习笔记】9、Convolutional Neural Network（CNN） ——————
【李宏毅机器学习笔记】6、简单介绍深度学习（Deep Learning）
01-06
【李宏毅机器学习笔记】1、...【李宏毅机器学习笔记】7、反向传播（Backpropagation） 【李宏毅机器学习笔记】8、Tips for Training DNN 【李宏毅机器学习笔记】9、Convolutional Neural Network（CNN） ——————
李宏毅《机器学习》笔记：7.反向传播
羊老羊
09-28 521
2021.09.25 LeeML-Notes：P14 【主要参考】 https://www.jianshu.com/p/765d603c76a0 https://blog.csdn.net/weixin_38347387/article/details/82936585 https://www.bilibili.com/video/BV1Zg411T71b https://zhuanlan.zhihu.com/p/28821475 文章目录7.1 反向传播是做啥的？ 7.1 反向传播是做啥的？ 前向传
【李宏毅机器学习笔记】9、卷积神经网络（Convolutional Neural Network，CNN）
01-20
【李宏毅机器学习笔记】1、...【李宏毅机器学习笔记】7、反向传播（Backpropagation） 【李宏毅机器学习笔记】8、Tips for Training DNN 【李宏毅机器学习笔记】9、Convolutional Neural Network（CNN） ——————
《探秘神经网络：人工智能的强大引擎》
最新发布
xy520521的博客
08-24 526
在训练过程中，神经网络接收大量的输入数据和对应的输出标签，通过不断调整连接权重，使得网络的输出尽可能地接近真实的输出标签。神经网络作为人工智能的重要组成部分，具有强大的学习和适应能力，可以处理各种复杂的任务。随着技术的不断进步，神经网络在人工智能中的应用将会越来越广泛，为人们的生活和工作带来更多的创新和变革。通过对大量的图像和传感器数据的学习，神经网络可以实时地感知周围环境，并控制车辆的行驶方向、速度和刹车等操作。通过对大量图像数据的学习，神经网络可以自动提取图像中的特征，并对不同的图像进行分类和识别。
GNN的理解难点：一种不同于传统神经网络的复杂性
qlkaicx的博客
08-24 535
本文将探讨GNN的理解难点，以及它与传统神经网络在概念和实现上的主要差异。在GNN中，图的结构信息是通过节点间的连结关系直接编码的，而传统的神经网络则更多地依赖于从数据中学习到的层次性特征。GNN中的聚合函数用于整合一个节点所有邻居的信息，这是GNN的关键操作之一。此外，GNN的训练过程需要大量的计算资源，特别是对于大规模图，这也增加了实际应用的复杂度。虽然一些研究尝试通过可视化技术解释GNN的决策过程，但如何清晰地解释一个节点的嵌入是如何通过其邻居节点的信息聚合得到的，仍然是一个开放的问题。
深度学习学习经验——全连接神经网络（FCNN）
Linductor的博客
08-22 1017
全连接神经网络（FCNN）是最基础的神经网络结构，它由多个神经元组成，这些神经元按照层级顺序连接在一起。每一层的每个神经元都与前一层的每个神经元连接。接待区交流区和结果区。
深度学习学习经验——长短期记忆网络（LSTM）
Linductor的博客
08-23 1275
长短期记忆网络（LSTM，Long Short-Term Memory）是一种特殊的循环神经网络（RNN），专为解决 RNN 中长期依赖问题而设计。
深度学习学习经验——深度学习名词字典
Linductor的博客
08-23 1308
解释各个基础名词的字典
深度学习学习经验——什么是深度学习
Linductor的博客
08-22 758
深度学习是机器学习的一个子领域，它使用多层神经网络来自动从大量数据中学习和提取特征。深度学习尤其适合处理大规模的数据，如图像、语音和文本等。基本概念神经网络：深度学习模型的核心是神经网络，灵感来源于人脑的结构和功能。神经网络由大量的节点（神经元）组成，这些节点通过连接（权重）相互传递信息。层：神经网络通常由多个层级组成。每一层对输入数据进行处理并将结果传递给下一层。最常见的层有输入层、隐藏层和输出层。深度：深度学习之所以得名，是因为它使用了多个隐藏层（即“深度”）。
深度学习100问2-分布式假设在自然语言处理中的应用场景有哪些
yyq916的博客
08-24 471
比如英语“ I love apples”和法语“J'aime les pommes”里，“love”和“aime”、“apples”和“pommes”就会被认为是对应的词，这样就能帮助建立翻译模型啦。在不同主题的文章里，根据分布式假设把词变成向量后，用聚类等方法就能发现和科技主题相关的文章里会有“技术”“创新”“研发”等词，娱乐主题的文章里会有“明星”“电影”“音乐”等词，这样就能区分不同主题的文章啦。比如一篇影评里有“精彩”“出色”这些词，它们的向量就能体现出积极的情感倾向，这样就能判断影评是积极的啦。
深度学习学习经验——循环神经网络（RNN）
Linductor的博客
08-23 1103
循环神经网络（Recurrent Neural Network, RNN）是一种适合处理序列数据的神经网络，它能够利用历史信息来预测当前输出，适用于时间序列预测、自然语言处理等任务。RNN 的关键在于它具有“记忆”功能，可以将前一时刻的信息传递到下一时刻。RNN 的这种特性主要体现在它的隐藏状态（Hidden State）和时间步长（Time Step）的循环更新机制上。
python程序，实现卷积神经网络。
weixin_45570158的博客
08-24 413
为了展示如何使用Python和TensorFlow（一个广泛使用的深度学习库）来构建一个基本的卷积神经网络（CNN），我将引导你完成一个简单的CNN模型，该模型将用于处理图像识别任务。在这个例子中，我们将使用TensorFlow的高级APItf.keras来构建和训练我们的CNN。以下是一个简单的示例，展示如何使用CNN对CIFAR-10数据集进行分类。CIFAR-10是一个包含60000张32x32彩色图像的数据集，分为10个类别，每个类别有6000张图像。首先，确保你已经安装了TensorFlow。
评论 1
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