- 博客(16)
- 收藏
- 关注
RSS订阅
原创 David Silver 强化学习Lecture5：Model-Free Control
    David Silver强化学习系列博客的内容整理自David Silver 强化学习的PPT和知乎叶强强化学习专栏。1 Introdu
2018-07-13 08:58:22
1054
原创 David Silver 强化学习Lecture4：Model-Free Prediction
    David Silver强化学习系列博客的内容整理自David Silver 强化学习的PPT和知乎叶强强化学习专栏。1 Introduct
2018-07-12 15:01:00
895
3
原创 David Silver 强化学习Lecture3：Dynamic Programming
    David Silver 强化学习系列博客的内容整理自David Silver 强化学习的PPT和知乎叶强强化学习专栏。1 Introd
2018-07-12 10:16:23
649
原创 David Silver 强化学习Lecture2：MDP
    David Silver 强化学习系列博客的内容整理自David Silver 强化学习的PPT和知乎叶强强化学习专栏。1 Markov Processes1.1 Introduction to MDPs&n
2018-07-11 18:45:38
777
原创 David Silver 强化学习Lecture1：Introduction
1 About Reinforcement Learning    强化学习是多学科多领域交叉的一门学问，它属于机器学习三个分支（监督学习、无监督学习、强化学习）中的一个单独的分支。简单来讲，强化学习的本质是解决decision making问题，即学会自动进行决策。具体来说，强化学习是一个Sequenti
2018-07-11 14:33:26
1023
3
原创 Deep learning-based human motion recognition for predictive context-aware human-robot collaboration
0 摘要    智能制造领域中，提高人机协作（HRC）的运营效率和安全性的关键是工人和机器人之间实时的情境感知（context awareness）。通过对工人的行为分析，可以提高情境感知的准确性和可靠性。为实现这一目标，本文利用深度学习技术，进行连续人体运动分析和HRC需求预测，从而改进机器人计划和控制，共同完成任务。 我们提出的方法运动到发动机装配的...
2018-07-13 14:48:44
824
原创 Densely Connected Convolutional Networks 论文笔记
0 摘要    最近的成果显示，如果神经网络各层到输入和输出层采用更短的连接，那么网络可以设计的更深、更准确且训练起来更有效率。本文根据这个现象，提出了Dense Convolutional Network (DenseNet)，它以前馈的方式将每个层都连接到其他每一层。然而传统的LLL层卷积神经网络有LLL连接（每一层与其后面的一层相连接），而Dens...
2018-07-11 10:06:12
430
原创 ResNet相关论文笔记
1.Deeply-Supervised Nets     网络结构如下图所示。在DSN中，每一个卷积层/全连接层后，模型都会为他们接一个旁路的全连接层，并用输出的结果和数据的真实结果做比较，计算预测结果和真实结果的误差，并将由此产生的梯度回传给前面的参数。    &a
2018-07-10 17:19:17
505
原创 How transferable are features in deep neural networks? 论文笔记
0 摘要    在自然图像上训练的深度神经网络都表现出一种奇怪的现象：模型第一层的参数和Gabor filters的参数非常相似（也就是说模型拥有经典图像算法中具有的优秀性质，Gabor filter是比较通用的滤波器，也就是说模型在一开始也要完成一些常规模式的计算过程，这一点和经典图像算法是一样的）。第一层的特征并不是特定于某一数据集或者某一任务，而是...
2018-07-10 13:17:21
7524
2
原创 权重初始化
1.Xaiver初始化1.1 目标 每一层输出的方差应该尽量相等，每一层的梯度的方差也应该保持相同。那么，每一层的权重应该满足哪种条件。1.2 结论 权重的方差应该满足：∀i，Var[Wi]=2nin+nout∀i，Var[Wi]=2nin+nout\forall i，Var[W^i]=\f...
2018-07-09 16:58:33
477
1
原创 神经网络与深度学习笔记（六）
第六章 深度学习介绍卷积网络 使用全连接层的网络进行图像分类的时候，全连接层的网络架构不会考虑图像的空间结构。它平等对待相距很远和彼此接近的输入像素。图像的空间结构必须从训练数据中学习。而卷积神经网络是一种设法利用图像空间结构的网络。 卷积神经网络采用了三种基本概念：局部感受野，共享权重，池...
2018-07-09 14:13:30
417
原创 神经网络与深度学习笔记（五）
第五章 深度神经网络为何很难训练    在深度网络中，不同的层学习的速度差异很大。当网络中后面的层学习的情况很好的时候，先前的层常常会在训练时停滞不变，基本学不到东西。根本原因是学习的速度下降了，学习速度的下降和基于梯度的学习技术有关。5.1 消失的梯度问题  &nbsp
2018-07-09 11:06:00
341
原创 神经网络与深度学习笔记（四）
第四章 神经网络可以计算任何函数的可视化证明    神经网络的一个最显著的事实就是它可以计算任何的函数。不管这个函数是什么样，总会确保有一个神经网络能够对任何可能的输入xxx，其值f(x)f(x)f(x)（或者某个足够准确的近似）是网络的输出。即使这个函数有很多输入和输出，这个结果都是成立的。这个结果表明神经网络拥有一种普遍性。4.1 两个预先声明...
2018-07-08 20:04:35
1086
原创 神经网络与深度学习笔记（三）
第三章 改进神经网络的学习方法3.1 交叉熵代价函数    理想的情况：我们希望神经网络可以从错误中快速地学习。 &a
2018-07-07 22:08:33
624
原创 神经网络与深度学习笔记（二）
第二章 反向传播算法如何工作如何计算代价函数的梯度？——反向传播 反向传播的核心：一个代价函数C关于任何权重w（或者偏置b）的偏导数的表达式。2.1 热身：神经网络中使用矩阵快速计算输出的方法 2.2 关于代价函数的两个假设第一个假设第二个假设：代价函数可以写成神经网络输出的函数 2.3 Hadamard 乘积 &nb...
2018-07-07 10:34:56
560
原创 神经网络与深度学习笔记（一）
第一章 使用神经网络识别手写数字1.1 感知器一个感知器    一个感知器接受几个二进制输入，并产生一个二进制输出：     神经元的输出：0或者1，由分配权重后的总和大于或小于阈值来决定。权重衡量这个输入的重要程
2018-07-07 10:23:11
1025
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