4 神经网络
先导知识:
计算图框架:用图来表示任意函数,其中图的节点表示要执行的每一步计算
4.1 反向传播
反向传播本质:运用链式法则从后往前求微分,从最后一层损失函数开始,对于前面一层的变量求微分,在之后向前传播的过程中,每层都要乘上该层的本地微分
小结:
- 神经网络通常非常庞大和复杂,将所有参数的梯度公式都写下来是不现实的,为了得到这些梯度,应该用反向传播算法
- 反向传播算法:链式法则的递归应用
- 计算图结构:可以看做正向和反向计算的API
4.2 神经网络
此处可参考
机器学习-吴恩达(第二周)
机器学习-吴恩达(第三周)
将神经元进行抽象的好处:便于采用高效的向量化代码进行运算
5 卷积神经网络
卷积神经网络与常规神经网络的构想基本一致,不同的是它需要训练卷积层,用来保留输入的空间结构
卷积和池化
卷积层和全连接层的主要差别:卷积层可以保全空间结构,其权重为卷积核,卷积核在整个图像上滑动,计算