- 博客(6)
- 收藏
- 关注
RSS订阅原创 2017Deep Learning学习笔记06
深层神经网络的重要性在于它为复杂的非线性模型和知识分层处理的系统方法打开了大门。Architecture of ConvNetConvNet不仅仅是一个具有许多隐藏层的深层神经网络。它是一个模拟大脑视觉皮层如何处理和识别图像的深层网络。基本上，图像识别就是分类。因此，ConvNet的输出层通常采用多类分类神经网络。然而，无论采用何种识别方法，直接使用原始图像进行图像识别的结果都很差.第4章中的示例使用了原始图像，它们工作得很好，因为它们是简单的黑白图像。否则，识别过程将以非常糟糕的结果结束。为此
2021-11-13 22:07:11
2132
原创 2017Deep Learning学习笔记04
Neural Network and Classification虽然神经网络既适用于分类又适用于回归，但很少用于回归。这并不是因为它导致性能低下，而是因为大多数回归问题可以使用更简单的模型来解决。在神经网络应用于分类时，输出层通常根据数据分组的不同而有不同的表达形式。两组分类的节点数和合适的激活函数的选择在使用更多的组时是不同的。请记住，它只影响输出节点，而隐藏节点保持不变。Binary Classification对于二进制分类，单个输出节点对于神经网络来说已经足够了。这是因为输入数据可以按输出
2021-11-10 11:44:35
452
原创 2017Deep Learning学习笔记03
Training of Multi-Layer Neural Network反向传播算法（back-propagation algorithm）的意义在于它提供了一个系统的方法来确定隐藏节点的误差。神经网络的输入数据通过输入层、隐藏层和输出层传输。相反，在反向传播算法中，输出错误从输出层开始向后移动，直到到达右边的下一个隐藏层到达输入层。这个过程被称为反向传播，因为它类似于输出错误向后传播。即使在反向传播算法中，信号仍然通过连接线传递，权重也是相乘的。唯一的区别是输入和输出信号的方向相反。Back-
2021-11-09 22:02:13
297
原创 2017Deep Learning学习笔记02
注意，我们用神经网络代替模型，用学习规则代替机器学习。Nodes of a Neural Network①在神经网络的上下文中，确定模型（神经网络）的过程称为学习规则。②计算机将信息存储在存储器的特定位置③由于大脑由许多神经元的连接组成，因此神经网络由节点的连接构成，节点是与大脑神经元相对应的元素。④神经网络使用权值模拟神经元的关联神经网络的信息以权重和偏差的形式存储（b是偏差）来自外部的输入信号在到达节点之前乘以权重。一旦在节点上收集了加权信号，这些值就被添加为加权和。该方程表明，权重
2021-11-08 22:09:23
61
原创 2017Deep Learning学习笔记01
AI > Machine Learning > Deep Learning “深度学习是一种机器学习，机器学习是一种人工智能”Deep Learning里的限制是继承与ML的。在人工智能领域，我们有专家系统，这是一种基于专家知识和诀窍的问题解决模型。这个模型和专家们自己一样有效。然而，在某些领域，法律和逻辑推理对建模不是很有用。机器学习被用来解决分析模型几乎不可用的问题。机器学习的基本思想是在方程和定律不适用的情况下，利用训练数据建立模型。图形的垂直流表示学习过程，经过训练的模型
2021-11-06 21:34:38
90
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