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。
三、前向传播和反向传播(Forward and backward propagation)
先写出一模型，第一层Relu函数，第二层Relu，第三层sigmoid函数（做二分类的话），计算yhat，然后就可以向后迭代进行反向传播求导。
如图是 逻辑回归做二分分类时da，若想要向量化实现过程，就要用到dA。
四、核对矩阵的维数(Getting your matrix dimensions right)
n[i]代表第i层的单元数目。
z是第一个隐藏层激活函数向量，z[i]维度(n[i],1)。
x的维度为(n[0],1)，w[1]维度:(n[1],n[0])
五、为什么使用深层表示(Why deep representations?)
输入图片，大概有20个隐藏单元的深度神经网络，或输入声频。
电路知识相关，与或非门。
六、搭建神经网络块(Building blocks of deep neural networks)
如上图方式计算后向传播的方式。
七、参数vs超参数(Parameters vs Hyperparameters)
w，b都是参数
超参数：学习率α等
八、深度学习和大脑的关联性(What does this have to do with the brain)
神经元似的。
2394
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
