吴恩达深度学习笔记【第四周 深层神经网络】

最新推荐文章于 2024-07-24 21:01:17 发布
最新推荐文章于 2024-07-24 21:01:17 发布
阅读量153 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 网络 神经网络 机器学习
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/zhouv_/article/details/114992996
版权

第四周--深层神经网络

目录

第四周--深层神经网络

4.1深层神经网络

4.2深层神经网络中的前向传播

4.3核对矩阵的维度 

4.4为什么用深层表示

4.5搭建深层神经网络块

4.6前向传播和反向传播

4.7参数VS超参数（如何利用超参数提高网络训练的效率）

4.8这和大脑有什么关系

4.1深层神经网络

神经网络的层数不计算输入层 只包含隐藏层和输出层

可以逐渐加高隐藏层L进行效果测试 n[5] =   为第五层的节点数目

4.2深层神经网络中的前向传播

 如何在深层神经网络中有效进行正向和反向传播

 利用L 在 for循环中 计算每一层的数据

 

4.3核对矩阵的维度 

 

4.4为什么用深层表示

 前面的浅层表示线条这种容易数学检测的简单的 浅层表层的特征   深层表示更为抽象的特征

比如说灰度像素11  排列位置发现 线条 线条位置形状 再发现眼睛 

 

&ensp：深层神经网络为什么具有有效性？

 

&ensp；如果只有两层的话 就需要指数增长的单元

4.5搭建深层神经网络块

 Q：如果不是二分类问题 J应该等于什么 才会使评价JL的尽量小作为效果指标

 

 

4.6前向传播和反向传播

 

 

4.7参数VS超参数

 

层数 隐藏单元 学习率等 需要靠实验得到的参数

4.8这和大脑有什么关系

 

sLuca_Tian
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
吴恩达深度学习第一课第四周（深层神经网络）
xavierri的博客
03-12 916
打卡（1） 4.1 深层神经网络 * 符号约定：输入层X=a[0],预测值ŷ =a[L]X=a[0],预测值y^=a[L]X=a^{[0]} ,预测值\hat{y}=a^{[L]} 打卡（2） 4.2 深层网络中前向传播 单个样本： X=a[0]X=a[0]X=a^{[0]} Z[1]=W[1]a[0]+b[1]Z[1]=W[1]a[0]+b[1]Z^{[...
【深层神经网络实战代码】识别猫 吴恩达深度学习笔记
03-23
在本资源中，我们主要关注的是“深层神经网络实战代码”，特别是用于识别猫的应用，这源自吴恩达的深度学习课程。吴恩达是全球知名的机器学习专家，他的深度学习课程深入浅出，深受广大学习者喜爱。在这个压缩包里，...
吴恩达 深度学习 编程作业（4-2）- Keras tutorial - the Happy House & Residual Networks-附件资源
03-05
吴恩达 深度学习 编程作业（4-2）- Keras tutorial - the Happy House & Residual Networks-附件资源
第四周深层神经网络
wangxf666的博客
12-31 226
4.1深层神经网络 什么是深度学习网络？逻辑回归（单层神经网络）和单隐层神经网络，双隐层神经网络和5隐层神经网络 预先判断需要多深的神经网络 用来描述深度神经网络的符号 这是一个四层的神经网络。用L表示神经网路的层数，这里L=4，n[l]表示节点的数量，或小l层的单元数量，a[l]表示l层中的激活函数，w[l]表示权重，在a[l]中计算w[l]的权重。 4.2深层神经网络中的前向传播 单的训练样本 z[l]=w[l]a[l-1]+b[l] a[l]=g[l] (z[l]) 向量化m个样本(for
【Nan‘s 吴恩达深度学习笔记】第四周 深层神经网络
qq_42735614的博客
11-29 186
【Nan‘s 吴恩达深度学习笔记】第四周 深层神经网络浅层神经网络(Deep neural networks)小结核对矩阵的维数Why deep训练神经网络参数 vs 超参数（ Parameters vs Hyper parameters） 浅层神经网络(Deep neural networks) 小结 前向传播： 反向传播： 核对矩阵的维数 维数： ①????的维度是（下一层的维数，前一层的维数），即w[l]:(n[l],n[l−1])；w^{[l]}: (n^{[l]},n^{[l−1]})；w[l
04.神经网络与深度学习-第四周-深层神经网络
皓月清风
10-06 364
1. 通常情况下，我们使用L表示神经网络的层数，n表示神经网络的各个网络层的神经元个数，使用a=g(z)表示各个层所用的激活函数，同理，z中的参数使用w和b表示。具体写法如图： 2. 前向反馈的表示方法 所有样本的前向反馈的表示方法 3. 我们在编码深度神经网络时候需要注意各个向量的维数的正确性，以减少代码的bug。理解矩阵的乘法对此非常有帮助。 4. 为什么深度神经网络比浅层...
吴恩达深度学习笔记：深层神经网络(Deep Neural Networks)4.1-4.4
weixin_43597208的博客
04-02 1261
尽管对于任何给定的问题很难去提前预测到底需要多深的神经网络，所以先去尝试逻辑回归，尝试一层然后两层隐含层，然后把隐含层的数量看做是另一个可以自由选择大小的超参数，然后再保留交叉验证数据上评估，或者用你的开发集来评估。我们可以看到，第一层（即左边数过去第二层，因为输入层是第 0 层）有 5 个神经元数目，第二层 5 个，第三层 3 个。,这层是第 0 层，这层左边的隐藏层是第 1 层，由此类推。注意，神经网络的层数是这么定义的：从左到右，由 0 开始定义，比如上边右图，是等于这个神经网络所预测的输出结果。
吴恩达深度学习课程学习笔记 第四周 深层神经网络
m0_57302305的博客
10-09 113
上周的小尾巴~ 【3.11 随机初始化】 训练神经网络时，随机初始化权重非常重要，对于logistic回归，可以将权重初始化为0。但如果将神经网络的各参数组全部初始化为0，再使用梯度下降算法，将会无效。 原因：设有两个输入特征，给W全部初始化为0，两个隐藏单元在做一样的事， 用0.01而不是100、1000的原因： 计算tanh或sigmoid函数时，如果权重过大（W很大，就会落在z很大地方），计算激活函数时，或落在函数图像两端斜率小平缓的部分，即会导致tanh或sigmo...
吴恩达深度学习笔记 课程1 第四周 深层神经网络实现
sd54321的博客
01-14 375
以人脸识别为例神经网络第一层寻找图片中的边缘，被探测的像素组成不同的部分，最后组合在一起形成人脸。
吴恩达深度学习笔记——卷积神经网络（Convolutional Neural Networks）
亦梦亦醒乐逍遥的博客
08-16 2885
卷积神经网络
吴恩达深度学习笔记.pdf
11-21
【吴恩达深度学习笔记】是一份针对吴恩达教授在Coursera平台上的深度学习课程的详尽笔记，旨在帮助已有一定编程基础和机器学习知识的计算机专业人士深入理解和应用深度学习技术。该课程分为5个部分，涵盖了深度学习...
吴恩达老师的深度学习课程第一课第四周作业
01-15
通过吴恩达老师的深度学习课程第一课第四周的作业，学员不仅能掌握深度学习的基本概念，还能提升编程技能，学习如何利用Python和相关库构建有效的深度学习模型。同时，良好的编程习惯也是这个阶段需要重视和培养的...
【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络
urge的博客
10-25 487
变量名变量含义l层数n[l]l 层的单元数。
Python编程、机器学习与深度学习技术
2301_78164062的博客
07-24 809
Python编程、机器学习与深度学习技术
智能火焰监测系统：基于深度学习的实时火灾预警平台
最新发布
a871923942的博客
07-24 567
智能火焰监测系统：基于深度学习的实时火灾预警平台
深入理解深度学习中的“预测”与“计算”
qlkaicx的博客
07-24 579
在探讨深度学习和人工智能的应用时，**“预测”**这个词经常被提及。很多时候，人们对预测的理解可能会带有一些误区，特别是当涉及到预测未来的事件或结果时。本文将详细探讨在Python深度学习框架中的预测概念，以及为什么说这仍然是“预测”，而不仅仅是简单的“计算”。
Mindspore框架循环神经网络RNN模型实现情感分类|（五）模型训练
人工智能视觉分析算法学习实践和经验分享。
07-24 232
Mindspore框架循环神经网络RNN模型实现情感分类|（五）模型训练与推理Mindspore框架循环神经网络RNN模型实现情感分类|（六）模型加载和推理（情感分类模型资源下载）
深度学习笔记：吴恩达第三周浅层神经网络解析
“第三周：浅层神经网络.pdf，吴恩达深度学习与神经网络课程笔记，涵盖了神经网络的基础知识，包括概述、表示、输出计算、向量化、激活函数、非线性需求、导数、梯度下降以及随机初始化。” 在这一周的学习中，我们...
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