深度学习入门笔记❤️
该专栏主要为深度学习方面的入门笔记
逐梦er
ACM铜牌退役狗、机器学习炼丹师、懒癌晚期患者
展开
-
深度学习入门笔记(六):误差反向传播算法
误差反向传播法——能够高效计算权重参数的梯度的方法。要正确理解误差反向传播法,有两种方法: 一种是基于数学式;另一种是基于计算图(computational graph)。前者是比较常见的方法,机器学习相关的图书中多数都是以数学式为中心展开论述的。因为这种方法严密且简洁,所以确实非常合理,但如果一上来就围绕数学式进行探讨,会忽略一些根本的东西,止步于式子的罗列。因此,本章希望大家通过计算图,直观地理解误差反向传播法。然后,再结合实际的代码加深理解,相信大家一定会有种“原来如此!”的感觉。原创 2020-07-15 21:37:04 · 6202 阅读 · 41 评论 -
深度学习入门笔记(五):神经网络的学习
本章的主题是神经网络的学习。这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。本章中,为了使神经网络能进行学习,将导入损失函数这一指标。而学习的目的就是以该损失函数为基准,找出能使它的值达到最小的权重参数。为了找出尽可能小的损失函数的值,本章我们将介绍利用了函数斜率的梯度法原创 2020-07-11 13:07:40 · 6973 阅读 · 24 评论 -
深度学习入门笔记(四):神经网络
上一个笔记我们学习了感知机。对于复杂的函数,感知机也隐含着能够表示它的可能性。即便是计算机进行的复杂处理,感知机(理论上)也可以将其表示出来。坏消息是,设定权重的工作,即确定合适的、能符合预期的输人与输出的权重,现在还是由人工进行的。神经网络的出现就是为了解决刚才的坏消息。具体地讲,神经网络的一个重要性质是它可以**自动地从数据中学习到合适的权重参数**。本章中,我们会先介绍神经网络的概要,然后重点关注神经网络进行识别时的处理。在下一章中,我们将了解如何从数据中学习权重参数。原创 2020-07-09 22:09:33 · 7361 阅读 · 47 评论 -
深度学习入门笔记(三):感知机
本章通俗易懂,容易理解,没有太多很难理解的数学公式,适合数学水平一般、零基础入门学习的学生,同时本文章通过python原生代码来实现感知机,从底层原理去深入了解并熟练掌握,只要学过python基础的东西就都能看懂。感知机是由美国学者FrankRosenblatt在1957年提出来的。为何我们现在还要学习这一很久以前就有的算法呢?因为感知机也是作为神经网络(深度学习)的起源的算法。因此,学习感知机的构造也就是学习通向神经网络和深度学习的一一种重要思想。文章目录1. 什么是感知机2. 简单逻辑电路2.1 与原创 2020-07-09 00:16:50 · 8959 阅读 · 20 评论 -
深度学习入门笔记(二):神经网络基础
前言神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应”.我们在机器学习中谈论神经网络时指的是“神经网络学习”,或者说,是机器学习与神经网络这两个学科领域的衣叉部分。文章目录前言1. 神经元模型2. 感知机与多层网络2.1感知机2.2 多层神经网络3. 误差逆传播算法4. 全局最小与局部极小5. 其他常见神经网络5.1 RBF网络5.2 ART网络5.3 SOM 网络5.4 级联相关网络5.5 Elman网络1. 神经元模型神经网络中原创 2020-07-03 23:25:09 · 9685 阅读 · 20 评论 -
深度学习入门笔记(一):机器学习基础
专栏——深度学习入门笔记文章目录专栏——深度学习入门笔记本章内容一.人工智能的机遇与挑战二.机器学习2.1 什么是机器学习2.2 用机器学习解决问题的一般流程2.3 数据预处理2.4 特征工程2.5 模型性能的评估与选择三深度学习的发展历程和应用3.1 深度学习的发展历程3.2 深度学习的应用本章内容人工智能的发展及其面临的挑战机器学习的基础知识和基本概念特征工程的方法和流程深度学习的发展及应用1956年8月,约翰.麦卡锡在美国达特茅斯学院(Dartmouth College)发起的一次研原创 2020-07-02 23:33:28 · 31332 阅读 · 44 评论