王先森Vicent-CSDN博客

原创《DeepLearning.ai》第十三课：特殊应用：人脸识别和神经风格转换(Specialapoplications:Face recognition&Neural style transfer)

第十三课：特殊应用：人脸识别和神经风格转换(Specialapoplications:Face recognition&Neural style transfer)4.1 什么是人脸识别？科普人脸识别可能一个人的识别准确率是99%,那么100个人的识别可能需要更高的准确率，99.9%等等。4.2 One-Shot学习人脸识别所面临的一个挑战就是需要解决一次学习问题，要想让人脸识别做到一次学习，应该使用Similarity函数，如下图：查看输入的两张图片(img1,img2)的差异性，

2021-09-13 11:25:56 178

原创《DeepLearning.ai》第十二课：目标监测(Object detection)

第十二课：目标监测(Object detection)3.1 目标定位(Object localization)解释上图：对于目标监测的输出y，第一个参数PcP_cPc如果图片中有目标，比如行人，车或者自行车，则输出1，如果是背景则输出0.接下来的四个参数用来定位，具体定义在第一张图片中已经给出了。最后几个参数C1,C2,C3C_1,C_2,C_3C1,C2,C3表示分别是行人，车，自行车，如果是自行车，则输出C3C_3C3为1，其他为0.其损失函数如上图所示。3.2 特征点检测

2021-09-12 10:22:09 176

原创《DeepLearning.ai》第十一课：深度卷积网络：实例探究(Deep convolutional models:case studies)

第十一课：深度卷积网络：实例探究(Deep convolutional models:case studies)2.1 为什么要进行实例探究PASS2.2 经典网络(Classic networks)三种经典的网络结构1.LeNet-5该网络结构没有使用padding，对于池化层，如果s=2,f=2,则图像的高度和宽度都缩小2倍，随着网络层的增加，图像的高度和宽度在缩小，而通道数在增加。用的是平均池化2.AlexNet使用了same卷积，使用后图像的高度和宽度不变，使用了最大池化后宽

2021-09-11 11:41:06 215

原创《DeepLearning.ai》第十课：卷积神经网络(Convolutional Neural Networks)

第十课：卷积神经网络(Convolutional Neural Networks)1.1 计算机视觉(Computer vision)通常如果处理大图用传统的神经网络需要特别大的输入，因此需要大量内存。对于计算机视觉应用来说，要处理大图片，就需要进行卷积计算。1.2 边缘检测示例垂直边沿检测器:上图是一个垂直边沿检测器，注意它的计算过程。卷积过程，6∗66*66∗6的图形经过一个过滤器（或者叫卷积核）3∗33*33∗3变成一个4∗44*44∗4图像。[外链图片转存失败,源站可能有防盗

2021-09-10 17:45:05 248

原创《DeepLearning.ai》第九课：机器学习策略(2)(ML Strategy)

第九课：机器学习策略(2)(ML Strategy)2.1 进行误差分析(Carrying out error analysis)将识别错误的例子人工挑选出来，同时查看每一个错误的原因，比如识别猫的时候，其中有8%是狗，有43%是大猫，61%是模糊，我们可以在开发集或测试集里观察假阳性(False Positives)和假阴性(False Negatives)，统计属于不同错误类型的错误数量，如上图所示。然后根据错误所占比重首先根据高比重错误进行改善。2.2 清除标注错误的数据(Cleaning

2021-09-10 07:52:52 77

原创《DeepLearning.ai》第八课：机器学习策略（1）(ML strategy(1))

第八课：机器学习策略（1）(ML strategy(1))1.1 什么是ML策略ML策略总结就是让人少走弯路，能够选择合适的方法来优化系统。1.2 正交化(Orthogonalization)针对不同的环节出现的问题进行不同方式的解决。判断出系统的性能瓶颈出现在那里，然后找到一组特定的旋钮来调整系统，来改善它特定的性能。1.3 单一数字评估指标(Single number evaluation metric)对于上面两个分类器，分别给出了它们的查准率和召回率，通常这两个特征必须折中，因

2021-09-09 10:59:00 145

原创《DeepLearning.ai》第七课：超参数调试、Batch正则化和程序框架

第七课：超参数调试、Batch正则化和程序框架7.1 调试处理(Tuning process)我们通常需要处理超参数，如上图。第一个是学习率，第二个是Moentum（动量梯度下降法）的参数，如果使用了Adam优化算法，也需要调整第三个参数，第三行参数一般有默认值，如图所示。第四行表示神经网络的层数，第五行是隐藏单元数量，第六行是学习率衰减，第七行是mini-batch的尺寸。对于参数进行随机取值能够提高搜索效率其中学习率是最重要的调试参数7.2 为超参数选择合适的范围(Using an a

2021-09-07 13:04:08 109

原创《DeepLearning.ai》第六课：优化算法(Optimization algorithms)

第六课：优化算法(Optimization algorithms)6.1 Mini-batch梯度下降上图表示了整个Mini-batcha梯度下降的过程。首先对X{t}X^{\{t\}}X{t}执行前项传播，X{t}X^{\{t\}}X{t}表示的是对于整个训练集之后的样本值，比如共有5000000个样本，每1000个划分一次，则X{t}X^{\{t\}}X{t}表示第t个1000个样本的x值，维度为(nx,1000)(n_x,1000)(nx,1000),注意与X(nx,m)(n_x,m)(nx

2021-09-07 13:03:28 269

原创《DeepLearning.ai》第五课深度学习的实践层面

第五课深度学习的实践层面1.1 训练、验证、测试集(Train/Dev/Test sets)总结一下，在机器学习中，我们通常将样本分成训练集(60%)，验证集(20%)和测试集(20%)三部分，数据集规模相对较小，适用传统的划分比例，数据集规模较大的，验证集和测试集要小于数据总量的 20%或 10%.若两类数据不同(例如一个是网页抓取到的数据图片，一个是现实中的测试集和验证集)，但要确保验证集和测试集的数据来自同一分布。通常没有测试集也不要紧1.2 偏差，方差(Bias/Variance)

2021-09-05 18:49:51 87

原创《DeepLearning.ai》第四课：深层神经网络(Deep L-layer neural network)

第四课：深层神经网络(Deep L-layer neural network)4.1 深层神经网络主要需要掌握一些符号，如下图：4.2 前向传播和反向传播(Forward and backward propagation) 反向传播的向量化实现：4.3 深层网络中的前向传播(Forward propagation in a Deep Network)对于前项传播向量化实现过程可以归纳为多次迭代如下公式:Z[l]=W[l]A[l−1]+b[l](l表示层数)A[l]=g[l](Z

2021-09-04 19:19:10 431

原创《DeepLearning.ai》第三课：浅层神经网络(Shallow neural networks)

第三课：浅层神经网络(Shallow neural networks)3.1 神经网络概述PASS3.2 神经网络的表示如上图，从左到右依次为输入层、隐藏层、只有一个节点的层为输出层，负责输出预测值。一般称上图网络为两层神经网络，一般不把输入层看做一个标准层，因此该网络有一个隐藏层和输出层。在隐藏层有两个参数WWW和bbb,通常表示为W[1],b[1]W^{[1]},b^{[1]}W[1],b[1],WWW为4∗34*34∗3矩阵，bbb为4∗14*14∗1矩阵，444来自

2021-09-04 10:50:08 202

原创《DeepLearning.ai》第二课(2)：神经网络的编程基础

第二课(2)：神经网络的编程基础2.11 向量化(Vectorization)逻辑回归中计算z=wTx+bz=w^Tx+bz=wTx+b，其中w,xw,xw,x都是列向量，下面是两种方法的对比:1.循环z=0for i in range(n_x): z+=w[i]*x[i]z+=b2.向量化z=np.dot(w,x)+b很明显向量化方法较快举例说明：import numpy as np #导入numpy库a=np.array([1,2,3,4])#创建数据aprin

2021-09-03 09:35:12 113

原创《DeepLearning.ai》第二课(1)：神经网络的编程基础

第二课(1)：神经网络的编程基础2.1 二分类(binary classification)遍历m个样本的训练集，神经网络通常不进行for循环遍历，神经网络计算中先进行前向传播，后进行反向传播。逻辑回归是一个用于二分类的算法例：加入图片大小为64*64像素，保存图片需要分别保存三个矩阵（红、绿、蓝三个颜色通道）将所有颜色通道保存，得到xxx的总维度为64∗64∗364*64*364∗64∗3,因此nx=12288n_x=12288nx=12288表示特征向量的纬度，如图所示，用小写nnn表示

2021-09-02 21:41:12 93

原创《DeepLearning.ai》第一课：深度学习引言

第一课：深度学习引言1.什么是神经网络Relu函数（线性修正函数）对于一个房屋价格预测的神经网络如下：如图所示给定输入变量x1,x2,x3,x4x_1,x_2,x_3,x_4x1,x2,x3,x4就可以得到对应的输出y(price)y(price)y(price)。神经网络的优势在于：实现神经网络之后，是要输入xxx就能得到对应的输出yyy,它可以自动计算中间过程，只要训练样本足够，神经网络可以得到关于x−yx-yx−y的精准的映射函数。2.神经网络的监督学习监督学习是很多神

2021-09-02 21:39:50 110

原创机器学习笔记4 - 神经网络

机器学习笔记4 - 神经网络线性回归和逻辑回归都有一个缺点，当特征太多，计算负荷会很大，引入神经网络在神经网络中，参数称为权重(weight)其中x1,x2,x3x_1,x_2,x_3x1,x2,x3是输入单元，a1,a2,a3a_1,a_2,a_3a1,a2,a3是中间单元，负责处理数据传递到下一层，最后是输出单元，其用来计算hθ(x)h_\theta(x)hθ(x)。在一个三层网络中，第一层成为输入层（ Input Layer），最后一层称为输出层（ Output Layer）

2021-09-02 08:19:22 105

原创机器学习笔记3 - 多类分类

机器学习3 - 多类分类问题描述通过逻辑回归来进行手写数字识别(0-9)import numpy as npimport pandas as pdimport matplotlib.pyplot as plt#通过scipy加载matlab型数据from scipy.io import loadmat、data = loadmat('ex3data1.mat')#该命令用于载入mat数据（mat数据是matlab格式）datadata为字典型数据，输出结果如下：{'__heade

2021-09-01 11:01:16 146

原创机器学习学习记录2 - 逻辑回归

机器学习学习记录2 - 逻辑回归问题提出：构建逻辑回归模型预测某个学生是否被大学录取已知条件：对于每一个训练样本有两次测试的评分和最终的录取结果1.构建sigmoid函数g代表一个常用的逻辑函数为S形函数，公式为：g(z)=11+e−zg(z)=\frac{1}{1+e^{-z}}g(z)=1+e−z1结合之前的假设函数，我们可以得到逻辑回归模型的假设函数：hθ(x)=11+e−θTXh_\theta(x)=\frac{1}{1+e^{-\theta^TX}}hθ(x)=1+e

2021-08-31 19:14:58 116

原创 Python&机器学习问题记录

1.pip下载慢的问题(1) 清华源pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple(2) 阿里源（常用这个）pip3 install 包名 -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com2.vscode中相对文件路径问题问题描述：vscode中使用相对文件路径找不到文件问题解决方法：在vscode设置里面搜索：T

2021-08-31 12:09:24 93

原创《meachine learning》机器学习学习记录 1.线性回归

机器学习学习记录 1.线性回归单变量线性回归#调用所需要的库import numpy as npimport pandas as pdimport matplotlib.pyplot as plt #读取文件path = 'ex1data1.txt'data = pd.read_csv(path, header=None, names=['Population', 'Profit'])#read_csv用来读取文件data.head() #只观察前5行数据（只能读取前五行数据）da

2021-08-09 19:13:51 424 1

原创保姆级教程解决Github克隆下载代码慢的问题（超级简单不用修改hosts）

解决Github克隆下载代码慢的问题（超级简单不用修改Hosts）最近我在学习吴恩达的机器学习课程，我需要将一些资料从Github中下载下来，如下图但是如果直接在Github上克隆下载代码往往速度特别慢，200M的东西速度却是24kb/s，心态炸了。这时我们有请马云（码云），也就是(gitee)https://gitee.com/。在开始下载别人的项目之前我们需要将别人的仓库fork到我们仓库下面，操作步骤很简单，只要在别人的项目下点击Fork后，别人的项目就到你的仓库下面了。下面介绍

2021-07-31 19:56:49 454 6

qq_44783439的博客