- 博客(10)
- 收藏
- 关注
RSS订阅原创 吴恩达深度学习 课程四 第三周 对象检测
计算机视觉的应用如今非常丰富，上周已经学习了图片分类问题，在此基础上进行目标定位的学习，甚至应用到目标检测（多物体）。通常图片左上角坐标（0，0），右下角坐标（1，1），红色方框的中心点坐标（bx,by），边框高度bh ，宽度bw。神经网络不仅需要输出标签，还需要输出四个参数值。当检测到图片中存在1，2，3情况时，pc=1 4表示无背景，pc=0,相应的损失函数如上所示。
2024-01-22 19:33:40
338
原创 吴恩达深度学习笔记 课程四 第一周 卷积神经网络
比如图像分类，目标检测，图像风格迁移。面对巨大的数据特征，我们需要运用卷积运算，由此引出卷积神经网络。
2024-01-19 20:05:27
586
2
原创 吴恩达深度学习笔记 课程二 第二周 优化算法
向量法可以加快运行速度，但是当训练样本百万级单位时仍然很慢，可以利用mini batch梯度下降法，每个mini batch有1000样本，如果你的m（训练集）是5百万，可分成5000个mini batch。二者从图像上看损失函数差别如下mini batch size =m 称为batch梯度下降法 缺点是每次迭代时间过长。mini batch size =m1 称为随机梯度下降法 缺点是失去向量化带来的加速，效率过低。实践中最好选择不大不小的尺寸，实际上学习率最快。
2024-01-17 17:21:12
934
原创 吴恩达深度学习笔记 课程2 第一周 提高神经网络速度方法
在设置神经网络时，通常会面对这些问题。即使是深度学习的行家，一开始也不太会得到最优的参数和超参数，所以说深度学习是一个典型的迭代过程。创建高质量的训练，开发，测试集有助于提高循环效率。过去的经验一般是6/2/2比例，随着数据的增加，验证集（验证不同的算法，确定模型）和测试集（正确评估分类器的性能）的比例随之减小。目前流行训练集在网页获取，验证和测试集由用户提供，注意验证和测试要来自同分布的数据，能加快速度。
2024-01-16 18:41:22
870
1
原创 吴恩达深度学习笔记 课程1 第四周 深层神经网络实现
以人脸识别为例神经网络第一层寻找图片中的边缘，被探测的像素组成不同的部分，最后组合在一起形成人脸。
2024-01-14 18:54:11
364
1
原创 吴恩达深度学习笔记 课程1 第三周 单层神经网络实现
上述为双层神经网络第零层 输入特征值第一层 隐含层第二层 输出层计算m个样本的公式，由于出现显式for循环 需要将其进行向量化。
2024-01-14 16:51:54
433
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人