深度学习
文章平均质量分 95
bandiaoz_cjl
这个作者很懒,什么都没留下…
展开
-
1.4 浅层神经网络
文章目录1.4.1 神经网络概览(Neural Networks Overview)1.4.2 神经网络表示(Neural Network Representation)1.4.3 计算神经网络的输出(Computing a Neural Network’s Output)1.4.4 多样本向量化(Vectorizing across multiple examples)1.4.5 向量化实现的解释(Explanation for Vectorized Implementation)1.4.6 激活函数(A原创 2021-10-10 18:54:55 · 281 阅读 · 0 评论 -
1.3 Python与向量化
文章目录1.3.1 向量化(Vectorization)1.3.2 更多向量化的例子(More Vectorization Examples)1.3.3向量化logistic回归(Vectorizing Logistic Regression)1.3.4 向量化logistic回归的梯度输出(Vectorizing Logistic Regression’s Gradient Output)1.3.5 Python中的广播(Broadcasting in Python)1.3.6 关于python/nump原创 2021-10-09 19:39:15 · 1853 阅读 · 0 评论 -
1.2 神经网络基础
上节课我们主要对深度学习(Deep Learning)的概念做了简要的概述。我们先从房价预测的例子出发,建立了标准的神经网络(Neural Network)模型结构。然后从监督式学习入手,介绍了Standard NN,CNN和RNN三种不同的神经网络模型。接着介绍了两种不同类型的数据集:Structured Data和Unstructured Data。最后,我们解释了近些年来深度学习性能优于传统机器学习的原因,归结为三个因素:Data,Computation和Algorithms。本节课,我们将开始介绍神原创 2021-10-08 11:45:39 · 130 阅读 · 0 评论 -
梯度下降算法总结
参考:梯度下降算法原理讲解1. 概述梯度下降(gradient descent)在机器学习中应用十分的广泛,不论是在线性回归还是Logistic回归中,它的主要目的是通过迭代找到目标函数的最小值,或者收敛到最小值。本文将从一个下山的场景开始,先提出梯度下降算法的基本思想,进而从数学上解释梯度下降算法的原理,解释为什么要用梯度,最后实现一个简单的梯度下降算法的实例!2. 梯度下降算法2.1 场景假设梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景:一个人被困在山上,需要从山上下来(原创 2021-10-06 22:37:37 · 277 阅读 · 0 评论 -
1.1 深度学习概述
什么是神经网络简单来说,深度学习(Deep Learning)就是更复杂的神经网络(Neural Network)。假如我们要建立房价的预测模型,一共有六个房子。我们已知输入x即每个房子的面积(多少尺或者多少平方米),还知道其对应的输出y即每个房子的价格。根据这些输入输出,我们要建立一个函数模型,来预测房价:y=f(x)。其实这个简单的模型(蓝色折线)就可以看成是一个神经网络,而且几乎是一个最简单的神经网络。我们把该房价预测用一个最简单的神经网络模型来表示,如下图所示:该神经网络的输入x是房屋面积原创 2021-10-04 16:50:42 · 105 阅读 · 0 评论