本文详细介绍了深度学习中的深层神经网络结构，包括多层隐藏层的设置，前向传播过程，以及反向传播的计算。重点讨论了为何使用深层表示，并解释了参数与超参数的区别。此外，还探讨了深度学习与大脑的相似性，以及如何校验矩阵维度以确保计算正确性。
本次学习笔记主要记录学习深度学习时的各种记录，包括吴恩达老师视频学习、花书。作者能力有限，如有错误等，望联系修改，非常感谢！
神经网络和深度学习（四）- 深层神经网络
- 一、深层神经网络(Deep L-layer neural network)
- 二、深层网络中的前向传播(Forward propagation in a Deep Network)
- 三、前向传播和反向传播(Forward and backward propagation)
- 四、核对矩阵的维数(Getting your matrix dimensions right)
- 五、为什么使用深层表示(Why deep representations?)
- 六、搭建神经网络块(Building blocks of deep neural networks)
- 七、参数vs超参数(Parameters vs Hyperparameters)
- 八、深度学习和大脑的关联性(What does this have to do with the brain)
第一版 2022-05-15 初稿
一、深层神经网络(Deep L-layer neural network)
1.逻辑回归是一个浅层模型
2.双层神经网络
3个隐藏层，其单元数目分别为5、5、3。
二、深层网络中的前向传播(Forward propagation in a Deep Network)
第一个隐藏层如图蓝色，第二个隐藏层如图紫色。
绿色为输出层。
向量化则用竖线右侧A。
最低0.47元/天 解锁文章
扫一扫
1182
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
