深度学习（二）：深度学习与神经网络学习笔记（手记）

下面的照片顺序可能与当时学习记录的顺序不一致。

1. 感知机模型，CNN模型的前身:

2. sigmoid激活函数：

3. 神经网络的前向传播与反向传播计算过程例子：

 4. 神经网络的前向传播与反向传播计算过程例子（续）：

5. Relu、Softmax, Sigmod激活函数，mnist 、cifar10 CNN模型，以及Keras开发平台模型类型：

6. BatchNorm的概念以及 安装Tensorflow的一些流程：

7. 多层感知器模型以及卷积神经网络模型的参数个数计算

8. 多层感知器模型以及卷积神经网络模型的参数个数计算（续）：

 9. LeNet(1998, Y,Lencun)模型图

10. AleNet模型框图：

11 ZFNet模型框图

12. 应变模型SSPNet模型

13. 卷积神经网络的加深模型VGG Net与Google Net

14. Google Net Inception V3模型

15. Tensorflow中一些数据结构类型

16. Tensorflow 中的卷积参数

17. 分类问题与回归问题以及深度学习的发展

18. 卷积神经网络的三大核心思想：局部感知、权值共享、下采样

19. Keras模型开发流程以及VOC2007图像数据集的文件结构

20. Keras 通用模型开发流程

21. 目标检测中的查全率与查准率概念：

22. 目标检测模型RCNN模型原理

23. 目标检测模型RCNN模型原理（续）

24. 目标检测 Fast RCNN模型

25.目标检测Faster RCNN模型

26. 循环神经网络中的自编码模型

27.  循环神经网络中的Attention机制

28.  目标检测DenseNet模型

29. 目标检测DenseNet模型（续）

30.  反向传播梯度计算中的链式法则