深度学习入门概念笔记

最新推荐文章于 2022-10-20 23:15:24 发布
最新推荐文章于 2022-10-20 23:15:24 发布
阅读量182 收藏
点赞数
分类专栏： Deep Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_43357874/article/details/109039567
版权

https://www.bilibili.com/video/BV1tx411V7Xa?from=search&seid=17819116512474832698

文章目录


在这里插入图片描述

1.深度学习介绍

1.1三步

在这里插入图片描述

1.1.1 第一步 网络结构

输入w —> 高层z —> 激活函数 —>输出
在这里插入图片描述
单个神经元 ： 参数x权重 + 偏差值 -> 激励函数 ==》结果
在这里插入图片描述
多层结合，多个神经元结合起来

现决定好偏差，偏差决定了激活函数， 最终决定模型优劣

1.1.2 第二步 学习目标

每个维度代表数字的确信度
在这里插入图片描述
在这里插入图片描述

  • dataset
    在这里插入图片描述
    loss 偏差值
    在这里插入图片描述
    目标：用合适的param ，算出loss最小的
    在这里插入图片描述

拿到parameters 的局部最佳解
在这里插入图片描述
猜出最佳解 loss到一定水平
在这里插入图片描述

1.1.3 第三步 学习

为什么要深度（多层）？
在这里插入图片描述
在这里插入图片描述

模块化
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.训练深度神经网络技巧

2.1 效果不好

在这里插入图片描述

  1. 过拟合
  2. 训练结果不好
  3. 平方法在这里插入图片描述
  4. 在这里插入图片描述
  5. 多分组在这里插入图片描述
  6. 激励函数 多层会导致激励函数的值会越来越小，去掉为0的层可以解决在这里插入图片描述
  7. 在这里插入图片描述在这里插入图片描述在这里插入图片描述
  8. aa在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

2.2 过拟合

  1. 在这里插入图片描述在这里插入图片描述

  2. 在这里插入图片描述

  3. 在这里插入图片描述

3.各种各样的神经网络

3.1 CNN

3.1.1 why cnn

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.1.2 什么是convolution

在这里插入图片描述
在这里插入图片描述

3.1.3 什么是Max Pooling

在这里插入图片描述
在这里插入图片描述

3.1.4 flaten

在这里插入图片描述

3.1.5 为什么可以帮助go？

在这里插入图片描述

3.2 RNN

在这里插入图片描述

4.接下来怎么做

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

L1AK
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
概念笔记
BoomMan
06-09 994
什么是大数据概念百度百科:大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。特征在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volum
基本概念笔记
Laity000的博客
11-08 620
传统分布式网络一、RIB、FIB、LIB、LFIB对RIB、FIB、LIB、LFIB的一些理解 RIB （路由信息库）全，知道到所有的地方怎么走，但是速度慢。 FIB （转发信息库）快，只知道常走的路怎么走，速度快。一般在设备的控制和数据平面保持镜像关系。 在大部分路由器中，RIB表现为路由表的形式， FIB则表现为高速缓存的形式，此在内容上是路由表的一个子集，是依靠路由表来生成的。如果是分布式设
Kubernetes基本对象概念笔记
xiaohuibin0541的博客
11-04 198
Kubernetes基本对象概念 pod:是最小部署单元，一个pod有一个或多个容器组成，pod中容器共享存储和网络，在同一台docker主机上运行。 Service:一个应用服务抽象，定义了pod逻辑集合和访问这个pod集合的策略。service代理pod集合对外表现是为一个访问入口，分配一个集群IP地址，来自这个ip的请求将负载均衡转发后端pod中的容器。Service通过Lable Se...
机器学习概念笔记
weixin_43082300的博客
11-06 101
定义：程序从经验E中学习，为了解决某个任务T，得到一个性能度量P；通过P测定T的表现会因为E的经验而提高 最常用的机器学习算法： 1.监督学习：每个样本都被标明 回归问题：预测连续值输出 分类问题：预测离散值输出 2.无监督学习：根据未知的数据匹配相应的类型结构和算法 聚类算法 ...
深度学习概念笔记
百般回首曾经的相遇，留下的只是一缕残忆
10-20 599
深度学习基础概念
深度学习入门课程笔记案例
最新发布
03-18
本压缩包“2024dl-master”很可能是某个深度学习入门课程的资料集，包含了一系列的学习资源，可能包括课程讲义、代码示例、数据集等，旨在帮助初学者理解和掌握深度学习的基本概念、模型和应用。 深度学习的核心...
深度学习基础笔记
04-28
本笔记主要针对初学者，旨在提供一个深度学习基础知识的入门指南。 首先，我们要理解深度学习的核心概念。深度学习的主要特点在于其“深度”，即多层神经网络结构。这些网络由输入层、隐藏层和输出层组成，其中隐藏...
深度学习入门.pdf
08-24
卷积神经网络（CNN）是深度学习中的另一个重要概念，尤其在图像识别领域表现出色。CNN包含卷积层和池化层，它们能够自动学习和提取图像的局部特征，有效地减少了模型的参数数量，降低了过拟合的风险。 R-CNN...
Deeplearning深度学习笔记最新版
10-07
【深度学习】 深度学习是现代人工智能领域的...总之，吴恩达的深度学习课程是入门和提升深度学习技能的理想选择，通过这个课程，学习者不仅可以了解深度学习的基本原理，还能掌握实际操作技巧，为投身AI领域做好准备。
黑马python机器学习入门笔记
08-21
神经网络和深度学习是机器学习的热门话题，笔记会涉及TensorFlow和Keras这两个库，它们允许我们构建和训练复杂的神经网络模型。你将学习到卷积神经网络（CNN）在图像识别中的应用，以及循环神经网络（RNN）在处理...
【从零开始深度学习】——2、神经网络的初探与实现
锟金铐鏜鏜鏜
10-22 234
【引言】 深度学习就像一个黑箱子，在了解了基本的tensorflow框架后，将已经经过预处理的图像输入tf就可以给出预测的结果，但终究只是停留在表面功夫，若想了解深度学习、神经网络相关的tf框架中的工作原理并有所深入了解，那我们还需把箱子打开一探究竟。正如我在【西瓜书笔记】——神经网络中所记录到的，从感知机开始到前馈神经网络再到BP神经网络，这无非是神经网络中最基本的3个知识点。深度神经网络就是在...
数据挖掘笔记——概念学习
xuqn0606的博客
03-23 3191
    概念学习可近似为分类问题，例如一个小孩子看过几种鸟的图片，如果再给他一张另外一种没见过的鸟的图片，他还是可以认出这是只鸟，换句话说他已经建立了“鸟”这一概念，进而根据一些特征进行判断是或不是属于这个概念。一、概念和概念学习的定义        概念是在一个更大的集合里面定义一个对象或者事物的子集，或者说是一个从更大的集合里面学到的布尔函数。        概念学习，指自动地给出概念的定义。...
知识图谱---基础概念（学习笔记）
拾人牙慧
04-12 2838
文章目录知识图谱是什么知识图谱的大致构建流程RDF，RDFS，与OWL 本文是基于知乎专栏 https://zhuanlan.zhihu.com/knowledgegraph 的学习笔记，按自己理解简单叙述整理。 知识图谱是什么 我们从传统搜索与知识图谱搜索的不同之处开始说： 对于传统搜索： 从前人们上网查一个东西，输入关键词后出来很多相关链接，比如搜索“周润发”，如下图： 于是人们需要一个个点...
概念学习（学习笔记）
Mark_Lewis的博客
03-22 9968
概念学习（Concept-cognitive learning）    概念学习又名概念认知学习。由来即是，研究者一直在思考，人们是怎么从没有这个概念到有这个概念的呢，是怎么学习而来的呢？通俗的说就是，比如，人类文明一开始，大家遇到猫这种动物，最初并不知道这是叫猫，而是通过后期的不断比较观察其特征，从而得到及定义为猫的概念。    若还未明白的话，我这里还有个更好的例子，是从一篇论文中举的例子而来...
数据库系统概念笔记（考研复试面试整理）
make a wish
04-01 4294
《数据库系统概念》读书笔记，用于一些复试和面试的主要问答题
跌倒综述 Deep Learning Based Systems Developed for Fall Detection A Review
L1ak的博客
10-12 2874
文章目录1.基本信息2. 第一节 介绍3. 第二节 跌倒检测系统文献4.第三节 讨论和未来方向5. 第四节 结论6. 参考文献 1.基本信息 题目：Deep Learning Based Systems Developed for Fall Detection A Review 页数： 166117 - 166137 发布日期： 2020年9月4日 电子ISSN： 2169-3536 DOI： 10.1109 / ACCESS.2020.3021943 发行人： IEEE 2. 第一节 介绍 跌倒是造成世
卷积层（1D,2D,3D..反卷积）
L1ak的博客
04-26 1553
文章目录1d/2d/3d卷积卷积-nn.Conv2d()尺寸计算转置卷积-nn.ConvTransposenn.ConvTranspose代码尺寸计算 1d/2d/3d卷积 卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加 卷积核：又称为滤波器，过滤器，可认为是某种模式，某种特征。 卷积过程类似于用一个模版去图像上 寻找与它相似的区域，与卷积核模式 越相似，激活值越高，从而实现特征 提取 AlexNet卷积核可视化，发现卷积核学习 到的是边缘，条纹，色彩这一些细节模式 卷积维度：一般情况
池化-线性-激活函数
L1ak的博客
04-27 1520
文章目录池化层pooling layer概念参数nn.MaxPool2dnn.AvgPool2dnn.MaxUnpool2d线性层 linear layer概念参数激活函数层 Activation Layer概念参数nn.Sigmoidnn.tanhnn.ReLU其他激活函数 池化层pooling layer 概念 池化运算：对信号进行 “收集”并 “总结”，类似水池收集水资源，因而得名池化层 “收集”：多变少 “总结”：最大值/平均值 参数 nn.MaxPool2d 功能：对二维信号（图像）进行最大值池
摔倒检测综述
L1ak的博客
06-27 715
1. Egocentric camera-based fall detection systemusing rotation, motion, HOG and LBP 1.1研究挑战（research challenge） 可靠性（reliability）： 检测很多容易误判，相似摔倒的动作 效率（efficiency）：不能够实时检测，找到一个效率非常高的算算在实时检测中是非常重要的 隐私问题： 缺少公共数据集 1.2目标（aims and objectives） 实现一个有效率可以实时检测的一个系统，

“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 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