目录
一.前言
记录一下最近学习深度学习的笔记,课程是BJTU暑期课程,在b站可以搜到,文中图片大多来源此视频,希望可以通过学习该课程学习到更多的深度学习知识,可能因为本人知识储备还是较少,看了一遍老师的课还有很多不懂得地方,因此本篇大多数为PPT得CV,在后续学习过程会对此章节深入理解
二.授课内容
三.绪论1.1
1.人工智能发展过程
2.专家系统的发展
传统的专家系统是通过人工输入规则来进行决策,随着不断发展,使用机器自动训练更加智能灵活化实现专家系统,但与传统比较,机器训练更不容易进行解释说明
3. 人工智能算法发展史
4.特征的重要性
5.BP
6.DBN&RBM
7.ImageNet
2015年随着ResNet的横空出世,使计算机视觉方面的误差接近人类,ImageNet的初心已经达到,目前比赛已经结束
8. RELU激活函数
sigmoid已经被淘汰,值越小梯度越接近于0导致梯度消失不利于传播
9.LSTM
10. NN
11.模型
不同损失函数惩罚不同偏差,优化算法例如梯度下降一般构造凸函数,部分模型(神经网络)的优化目标是非凸函数。其中t为固定,学习率是调节的参数,如果参数设置不好,可能会越学越差。
实际中得不到概率分布,所以往往优化经验风险
数据特征决定了模型得上限,预处理和特征提取是最核心的,算法和参数选择绝了了如何逼近这个上限