![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
DeepLearning
文章平均质量分 88
叮叮咚咚小皮皮
这个作者很懒,什么都没留下…
展开
-
吴恩达深度学习_第四课(4)《人脸识别和风格转换》
人脸验证和人脸识别。原创 2023-11-14 21:13:04 · 93 阅读 · 0 评论 -
吴恩达深度学习_第四课(3)《目标检测》
softmax函数进行分类操作,判断图片中是否存在行人、汽车和摩托车或是背景对象。除此之外,我们可以让神经网络多输出几个单元,表示一个边界框,即b,b,b,b这四个数字是被检测对象的边界框的参数。算法要做的就是:首先判断图里有没有目标,目标在哪,目标是什么,所以每次输出的y中包含这些参数值。损失函数:当y=1(存在检测目标),计算所有参数的损失函数。否则只计算y的损失值,其他7个参数情况不关心。原创 2023-11-07 22:12:34 · 90 阅读 · 0 评论 -
吴恩达深度学习_第四课(2)《深度卷积网络:实例探究》
而 Inception网络 的作用就是代替你来决定卷积核的大小,是否要添加池化层…我们可以给网络添加“卷积核个数”这种参数的所有可能值。网络会自己学习需要什么样的参数,采用哪些过滤器组合。卷积的计算成本:使用16个1x1x192的卷积核产生瓶颈层,再用32个5x5x16的卷积核进行卷积,可以有效降低计算成本。原创 2023-11-01 19:44:36 · 36 阅读 · 0 评论 -
吴恩达深度学习_第四课(1)《深层神经网络》
假如有10个过滤器,每个过滤器有 27 个参数,加上偏置 b,每个过滤器有28个参数,再乘以10个过滤器,共计280个参数。尽量不要自己设置超参数,而是查看文献中别人采用了哪些超参数,选一个在别人任务中效果很好的架构,它也有可能适用于你的应用程序。的结果,使用python的广播机制,给16个数字都加上偏置b,得到这个核的卷积结果。使用两个卷积核,也就是有两个特征,分别卷积出来两个。,全连接层的参数巨大,卷积层需要的参数较少。我们依旧设原图宽x,核宽f,填充p,步长s。,同时提高所提取特征的鲁棒性。原创 2023-10-23 17:28:33 · 55 阅读 · 0 评论 -
吴恩达深度学习_第三课(2) 机器学习策略
以前有一些数据处理系统或者学习系统,它们需要多个阶段的处理。那么端到端深度学习就是忽略所有这些不同的阶段,用单个神经网络代替它。它需要很多的数据来训练,才可能有好的效果。端到端深度学习系统是可行的,它表现可以很好(例如,机器翻译),也可以简化系统架构,让你不需要搭建那么多手工设计的单独组件,但它并不是每次都能成功(从X射线照片判断年龄)原创 2023-10-19 20:35:22 · 41 阅读 · 0 评论 -
吴恩达深度学习_第三课(1) 机器学习策略
以上方法都可以改变模型的性能,但是需要判断哪些是有效的,哪些是可以放心舍弃的。原创 2023-10-12 21:25:05 · 43 阅读 · 0 评论 -
吴恩达深度学习_第二课(3)《超参数调试、Batch正则化和程序框架》
在深度学习领域,常采用在超参数组成的矩阵中,进行参数搜索(试验了更多的不同的超参数值)由粗糙到精细的策略,从最初的范围筛选,然后集中到可能更优的小区域进行更密集的搜索。原创 2023-10-09 10:20:13 · 39 阅读 · 0 评论 -
吴恩达深度学习_第二课(2)《优化算法》
为了快速训练模型。原创 2023-09-26 22:24:20 · 46 阅读 · 0 评论 -
吴恩达深度学习_第二课(1)《深度学习实用层面》
有助于提高训练效率。原创 2023-09-15 15:46:50 · 72 阅读 · 0 评论 -
吴恩达深度学习_第一课(4)《深层神经网络》
本网络层数为4,隐藏层数为3y。原创 2023-08-05 20:20:38 · 72 阅读 · 0 评论 -
吴恩达深度学习_第一课(3)《浅层神经网络》
变量上标是圆括号 (1),(2),(3)…(i) 表示的数据:x,x变量上标是方括号[1],[2],[3]…[i] 表示的数据:x,x举个例子:x作为输入进入第一层,配合W和b进行计算,得到第一层结果a;a作为第二层的输入,配合W和b进行计算,得到第二层结果a,并计算本次前向传播的损失函数。类似于单层逻辑回归中的反向传播需要计算dz和da在神经网络中,根据对某层参数w和b的偏导,也有dz,da,dw,db。原创 2023-07-26 20:42:19 · 209 阅读 · 0 评论 -
吴恩达深度学习_第一课(2)《神经网络基础》
例如分辨一张图片里面到底有没有猫:输出1(有猫) or 输出0(无猫)原创 2023-07-14 16:32:56 · 92 阅读 · 0 评论 -
吴恩达深度学习_第一课(1)《神经网络和深度学习》
有数据集合/数据列,每个特征都有清晰的定义。计算机能直接读取的数据。:特征可能是像素值/音频/单词。计算机不学习无法读取理解的数据。小写m:训练集/训练样本的数量。原创 2023-07-08 17:36:13 · 47 阅读 · 0 评论