深度学习笔记01


首先也是参考以下链接中的内容进行的一个学习,希望总结后能有写收获。
链接: DeepLearning.

线性代数

标量,向量,矩阵,张量

标量:单独的数,用斜体小写字母表示。
向量:表示一列数。
在这里插入图片描述
矩阵:表示一个二维数组。有时我们需要对矩阵进⾏逐元素操作,如将函数 f 应⽤到 A 的所有元素上,此时我们⽤ f(A)i,j 表⽰。
在这里插入图片描述
张量:超过二维的数组

矩阵转置

相当于沿着对角线翻转,矩阵转置后从m×n的维度变成了n×m。
向量可以看做只有一列的矩阵,标量也可以看成一行一列的矩阵。

矩阵加法

加法要求矩阵的维度一样,对应元素相加。
数乘则是一个标量与矩阵每个元素相乘。
有时候允许矩阵与向量相加,得到了一个矩阵,将向量加到了矩阵的每一行上,本质是构造了一个将向量按行复制的一个新矩阵,这种机制叫做广播。

矩阵乘法

两个矩阵相乘得到第三个矩阵,A的维度是m×n,B的维度是n×p,得到的C的维度是m×p。矩阵乘法不是对于元素相乘,元素对应相乘又叫Hadamard乘积。
向量可以看做是列为1的矩阵。

单位矩阵

定义单位矩阵:单位矩阵乘以任意一个向量等于这个向量本身。
在这里插入图片描述

矩阵的逆

在这里插入图片描述

范数

通常用范数衡量向量。
欧几里得范数是向量x到原点的欧几里得距离。

特征值分解

在这里插入图片描述
不是所有的矩阵都有特征值分解
某些情况下,实矩阵的特征值分解可能会得到复矩阵。

奇异值分解

奇异值分解是另一种分解矩阵的方式,将其分解为奇异向量和奇异值。奇异值分解比特征值分解通用性更强,所有的实矩阵都可以进行奇异值分解,而特征值分解只能对某些方阵分解。

PCA主成分分析

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 《鲁伟深度学习笔记》是一本关于深度学习的资料,提供了对深度学习的深入理解和实践指导。这本笔记以简明扼要的方式介绍了深度学习的基本原理和常用算法,并结合实例讲解了如何使用深度学习解决实际问题。 首先,笔记深度学习的基础概念入手,包括神经网络、激活函数、损失函数等,为读者打下坚实的理论基础。然后,笔记详细介绍了深度学习中常用的模型结构,如卷积神经网络、循环神经网络等,并对它们的原理和应用进行了剖析。 此外,笔记还重点介绍了深度学习中的优化算法和正则化方法,如梯度下降、随机梯度下降、批量归一化等,帮助读者了解如何提高模型的性能和减少过拟合。 在实践部分,笔记提供了丰富的代码示例和数据集,通过实际操作,读者可以学到如何使用深度学习框架搭建模型、训练和评估模型,并解决真实世界的问题。 总的来说,《鲁伟深度学习笔记》是一本深度学习入门的好资料,通过阅读笔记,读者可以初步掌握深度学习的基本原理和应用方法,为进一步深入学习和研究打下基础。 ### 回答2: 《鲁伟深度学习笔记》pdf可以在网络上找到,它是对深度学习领域的一本权威教材。这本书由知名的教育家鲁伟撰写,详细介绍了深度学习所涉及的各个方面和应用。该pdf经过了精心编辑和排版,使读者能够很方便地阅读。 这本笔记的内容包括深度学习的基本概念、神经网络的原理、常用的深度学习模型以及它们的应用领域等。书中详细介绍了卷积神经网络、循环神经网络和生成对抗网络等常用模型,并给出了它们的实际案例和代码实现。 阅读《鲁伟深度学习笔记》pdf对于深度学习初学者和从业者来说都是很有价值的。对于初学者来说,它提供了一个很好的入门教材,帮助他们快速了解深度学习的基本概念和应用。对于从业者来说,它提供了详细的技术指导和实践案例,帮助他们提高自己的技术水平和解决实际问题。 总而言之,《鲁伟深度学习笔记》pdf是一本权威且实用的深度学习教材,适合各个层次的读者参考学习。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值