开帖搜集几个网上炫酷的神经网络原理演示动画
来自 Tensorflow 的分类神经网络
网址:Tensorflow — Neural Network Playground
初学者可以检验自己是否理解什么是 Epoch, Learning rate, Activation, Regularization, Regularization rate, Hidden Layers, number of neurons 以及改变它们会对分类结果造成的影响。对于下面这种对角分类,可以看一下不加隐藏层,神经网络是否可以成功分类。
网站截图如下:
如何初始化神经网络参数
网址:https://www.deeplearning.ai/ai-notes/initialization/
这是 deeplearning.ai 做的系列教学网页中的一篇。讲述为何神经网络参数初始化的时候数值太小有梯度消失,数值太大有梯度爆炸,以及为何 Xavier 初始化提供了大小合适的神经网络参数初始化方案,刚好能够解决这两种问题。
Xavier 参数初始化方案为
不同优化算法的对比
网址:https://gitlab.com/snowhitiger/learn_deep_learning
这是我做的各种优化算法可视化对比的 JupyterNotebook 动画。点击上面网址中的蓝色 binder 按钮,等待一会儿, 再点击 sgd_visualization.ipynb ,可以在线打开 notebook。手动调节学习率 lr, 动量参数以及 Adam 的
知乎介绍:https://zhuanlan.zhihu.com/p/64882877
相似的对比不同优化算法的可视化网页还有:
Why Momentum Really Works: https://distill.pub/2017/momentum/ 网页截图:
deeplearning.ai https://www.deeplearning.ai/ai-notes/optimization/
之前网络太差,没有发现 deeplearning.ai 出第二期教学网页了,又是一篇精品。网页截图
在浏览器里训练卷积神经网络
斯坦福大学AI网红 Karpathy 写的 javascript 代码 convnetjs 可以使你在浏览器里训练一个卷积神经网络。
网址: https://cs.stanford.edu/people/karpathy/convnetjs/
神经网络的全局解释
distill.pub 每篇文章都是经典。这篇文章介绍神经网络的全局解释,试图理解每个神经元(或卷积核)学到了什么特征。
The Building Blocks of Interpretability 网址:https://distill.pub/2018/building-blocks/
网址截图:
强化学习值函数与时间差分
The Paths Perspective on Value Learning 网址:https://distill.pub/2019/paths-perspective-on-value-learning/
网址截图:
总结:
网络上有很多学习深度神经网络的资源。这些交互式动画能以最直观的方式,最快的速度,解释概念,传播深度学习方向的知识。此搜集中的网页截图归原网页制作者所有。