7.Brief introduction of Deep Learning

最新推荐文章于 2024-05-27 21:48:40 发布
最新推荐文章于 2024-05-27 21:48:40 发布
阅读量189 收藏 1
点赞数 1
分类专栏： 深度学习_李宏毅课程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xjtuse123/article/details/90368514
版权

深度学习的历史

深度学习基本结构

       深度学习类似之前的机器学习，也可以分为简单的三步

       给定一个神经网络结构，也就是定义了一个函数集，给这个神经网络不同的权重也对应着不同的函数，我们要做的不断调整权重以找到我们想要的最好的函数

       神经网络可以分为三部分，输入层，隐藏层，输出层，从字面自已我们大致可以知道，第一个层就是输入层，最后一层即输出层，在输入层与输出层之间的即为隐藏层

       Deep的含义就是神经网络包含很多隐藏层，从下图大致可以看出神经网络越深，一般效果越好

       每个神经元实际上是一个线性变换加上一个sigmoid函数（上一次笔记有讲），线性变换我们可以用矩阵运算来描述

       于是整个神经网络是由好多线性变换和好多sigmoid函数组合而成

       我们可以用平行运算来加速矩阵操作，而这正是GPU的长处

       隐藏层的工作实际上是特征提取

深度学习应用举例

       例如在手写数字辨识中我们可以用neural network来实现，通过输出来判别属于哪个数字

        网络结构都需要自己设计

       然后我们需要做的是找到一组参数，使得loss function最小

        怎样计算Loss？当然还是之前采用的梯度下降的方法。

       对于神经网络有一个理论：任何连续的函数f都可以用只有一个隐藏层的网络表示出来

Aamax
关注
专栏目录
[机器学习入门] 李弘毅机器学习笔记-7 （Brief Introduction of Deep Learning；深度学习简介）
Holeung blog
06-05 5883
[机器学习入门] 李弘毅机器学习笔记-7 （Brief Introduction of Deep Learning；深度学习简介） PDF VIDEOUps and downs of Deep LearningThree Steps for Deep LearningStep 1: Neural NetworkFully Connect Feedforward Network De
【李宏毅2020 ML/DL】P12 Brief Introduction of Deep Learning
记录学习痕迹的公众号：Piper蛋窝
07-23 793
介绍了什么是 Deep Learning 。包括其三步走：设计网络结构，定义损失函数，优化。
Brief Introduction of Deep Learning
liupc的学习笔记
02-18 629
//李宏毅视频官网：http://speech.ee.ntu.edu.tw/~tlkagk/courses.html点击此处返回总目录 //邱锡鹏《神经网络与深度学习》官网：https://nndl.github.io Dee...
2020李宏毅学习笔记——8.Brief Introduction of Deep Learning
weixin_44554337的博客
06-08 291
上午没有学习，吃成一只猪。 1.有了几个名词概念的基础，开始了啊Deep Learning的简短介绍： 第一张图：随着时间的推移，Deep Learning的应用暴涨 2.今天天津已经热到了40度，热到头疼，烦躁，厌烦，不开心！ 3.介绍了一下Deep Learning这些年的反反复复的发展，从开始的只对光敏感，到hidden layer的层数，一个隐藏层可以代表任意的函数,到initialization,发现RBM intialization并不是真正的突破，起到的效果很有限，所以现在没了，我觉得有个关键
1 —— Brief introduction of Deep Learning
weixin_41937876的博客
07-25 150
1 —— Brief introduction of Deep Learning 今天看完了Brief introduction of Deep Learning这一节。 B站1.5倍速刚刚好，能让脑子快速反应，也节省了时间。 1 Ups and Downs of Deep Learning 个人觉得本部分内容不够详细，没太经过脑子。自己动手上网搜索简要整理了一下。 · 1943 MCP模型 “...
李宏毅机器学习 Brief Introduction of Deep Learning
herosunly的博客
05-31 1350
  横轴是时间，从2012年的第一个季度到2016年的第一个季度，纵轴是谷歌内部项目使用深度学习的数量的变化图。 回归深度学习的历史：   一个隐藏层可以代表任意的函数，为什么需要这么深的网络呢？   RBM intialization并不是真正的突破，起到的效果很有限，所以现在文献中很少提了。 深度学习的步骤如下所示： 全连接层： 计算结果如下所示： 给定神经网络的结构，本质上相当于定...
2020李宏毅机器学习笔记-Brief Introduction of Deep Learning
zn961018的博客
04-24 444
Brief Introduction of Deep Learning 关于 Deep Learning 的历史： 实际上，Deep learning跟machine learning一样，也是“大象放进冰箱”的三个步骤： 在Deep learning的step1里define的那个function，就是neural network。 Neural Network 把多个Logistic Regression前后connect在一起，然后把一个Logistic Regressi..
李宏毅深度学习笔记07（Brief Introduction of Deep Learning)
m0_56404848的博客
07-19 122
Deep learning 的历史 Deep learning 的过程 依旧是机器学习的三个过程：step1:define a set of function ; step2:goodness of function ; step3:pick the best function. 只不过step1用到neural network。 它也有对应的公式： 根据相应的数学计算得到输出值。 一些问题 1.How many layers? How many neurons for each layer? answ
Brief Introduction of Deep Learning（李宏毅机器学习）
最新发布
weixin_52201996的博客
05-27 697
简述，来自：https://blog.csdn.net/zyuPp/article/details/992889091958年：人们感觉人工智能要来了，因为linear model的出现，它可以做到一些稍微复杂的分类和预测问题，当时他们也叫这个技术为Perceptron，感知器1969年：有人终于发现了linear model有缺点，研究了一下为什么“坦克与卡车”的图像分类为什么如此精确，原来是因为两组图片的拍照时间不一样，而机器是通过其亮度作为特征来分类的。
李宏毅 机器学习 2016 秋：7、Brief Introduction of Deep Learning
weixin_37179744的博客
06-21 253
文章目录7、Brief Introduction of Deep Learning 7、Brief Introduction of Deep Learning Deep learning 现在非常的热门，所以，它可以用在什么地方，我觉得真的还不需要多讲，我觉得大家搞不好都知道得比我更多，我相信如果你随便用 deep learning 当作关键字，胡乱 google 一下，你就可以找到一大堆的、exciting 的 result，所以，我们就直接用这个图呢，来简单地 summarize 一下这个趋势，这个.
Deep Learning with Python: A Hands-on Introduction
07-30
This book briefly covers the mathematical prerequisites and fundamentals of deep learning, making this book a good starting point for software developers who want to get started in deep learning....
深度学习(3): Classification, logistic regression and brief introduction of deep learning
JJJJJJames的博客
01-12 115
Classification credit scoring medical diagnosis handwritten character recognition face recognition Pokemon example application 1 Pokemon type symbols 2 Feature Total HP Attack Defense SP Attack SP Def Speed 3 How to do classification Training data fo
3.误差分析
xjtuse123的博客
05-20 4749
理解 Bias 与 Variance 有监督学习中，预测误差的来源主要有两部分，分别为 bias 与 variance，模型的性能取决于 bias 与 variance 的 tradeoff ，理解 bias 与 variance 有助于我们诊断模型的错误，避免 over-fitting 或者 under-fitting. 我们知道，不同的model对同一testi...
30.RNN应用
xjtuse123的博客
06-24 2557
应用 循环神经网络有很多种应用情景。 1.Many to one ①语义分析里面，输入是一个vector序列，输出为一个vector ②关键词提取 2.Many to many ①语音辨识里面会有一个问题，比如你说好棒，它可能识别很多“好”和“棒” 所以我们需要用CTC的方法来解决 ...
15.Why Deep
xjtuse123的博客
05-24 624
本章讲述了为什么要是深度学习，选择“高瘦”型的深网络，而不是“矮胖”型的宽网络。 1.矮胖还是高瘦？ 我们知道在神经单元足够多、参数够多的情况下，只需要一个隐藏层，就可以表示任意的函数。既然如此为什么不选择用这种宽网络，而是选择深度网络呢？ 神经网络是越深越好吗？答案是肯定的，因为更深的网络代表着更多的参数，实验结果当然更好。倘若让它们参数一样...
5.分类Classification
xjtuse123的博客
05-20 528
分类问题可以应用在很多领域，例如信用评分，医疗诊断，手写数字辨识，面部识别等领域。 本节还是以pokemon的类型辨识作为例子解释分类问题，pokemon有很多类型，比如火系，水系，电系等。 我们可以根据pokemon一系列特征，来解决分类问题 分类问题当作回归问题 如果分类问题当作一个回归问题解决，以二分类作...
14.CNN---Convolutional Neural Network
xjtuse123的博客
05-23 440
1 为什么用 CNN 识别图像 1.1 使用 DNN 的缺陷 当我们用一般的全连接神经网络处理图像时，可能是这样子： 第一层识别一些最基础的线条、特定方向的边界等等之类的最基本的模式。 第二层就开始基于第一层的基础识别一些复杂一些的模式。 往后的层以此类推，直至识别出一个预期中的目标。 ...
11.Keras 神经网络框架
xjtuse123的博客
05-22 441
Introduction Keras是一个高级的神经网络API，用Python实现，并可以基于TensorFlow，CNTK与Theano等计算框架运行。 Keras的核心是神经网络，它的意义主要在于使得神经网络的实现更加方便快捷，因此它本质上是在一些知名的计算框架上进行了一层简化的封装，只对Keras使用者暴露出一些简单易用的接口，使用者可以很快了解并上手实现...
16.Semi-supervised
xjtuse123的博客
05-26 440
了解半监督学习之前需要首先知道监督学习（Supervised Learning）的概念，监督学习指训练样本都是带标签的。然而在现实中，数据收集是容易的，但是收集到带标签的数据却是非常昂贵的。 半监督学习指的是既包含部分带标签的数据也有不带标签的数据，通过这些数据来进行学习。 直推学习（Transductive Learning）：不带...
Provide a brief introduction to UML and its importance in software development.
04-29
Unified Modeling Language (UML) is a graphical language used to model and visualize software systems. It is a standardized language that allows developers to communicate their ideas and designs to other team members and stakeholders in a clear and concise manner. UML provides a set of diagrams and notations that can be used to model different aspects of a software system, including its structure, behavior, and interactions with external systems. These diagrams range from high-level conceptual models to detailed design models. UML is important in software development because it helps developers to: 1. Understand the requirements of the system: UML diagrams are a useful tool for eliciting and documenting requirements of the software system. 2. Communicate designs to stakeholders: UML diagrams provide a common language for developers, project managers, and other stakeholders to discuss and refine the design of the software system. 3. Design and develop software: UML diagrams can be used to design and develop software, by providing a blueprint for the system that can be used to guide the coding process. 4. Test and validate software: UML diagrams can be used to create test cases and validate the software system against its requirements. In summary, UML is an important tool for software development because it helps to improve communication, facilitate design and development, and ensure that the software system meets its requirements.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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