07 2021 档案

深度卷积网络：实例探究
摘要：经典网络 我们需要了解几个经典的神经网络结构，分别是LeNet-5网络、AlexNet和VGGNet 首先我们来看LeNet-5网络 假设你有一张32*32*1的图片，LeNet-5可以识别图片中的手写数字，比如7，此网络是针对灰度图像训练的。 此网络，第一层使用6个5*5的过滤器，步幅为1，pad 阅读全文
posted @ 2021-07-31 15:52 AW_SOLE 阅读(189) 评论(0) 推荐(0)
卷积神经网络
摘要：边缘检测示例 给一张图片让电脑 去搞清楚,这张照片里有什么物体,你可能做的第一件事是检测图片中的垂直边缘,比如说在这张图片中的栏杆就对应垂直线,与此同时这些行人的轮廓线某种程度中也是垂线这些线是垂直边缘检测器的输出 。 你可能也想检测水平边缘，比如说这些栏杆就是很明显的水平线它们也能被检测到，结果 阅读全文
posted @ 2021-07-29 17:16 AW_SOLE 阅读(158) 评论(0) 推荐(0)
超参数调试、Batch正则化和程序框架
摘要：调试处理 关于训练深度最难的事情 之一是你要处理参数的数量，从学习速率α到momentum(术语)β。 如果使用momentum或Adam优化算法的参数，可能你还得选择层数，选择不同层中隐藏单元的数量。也许你还想使用学习率衰退，所以你使用的不是单一的学习速率α。你可能还需要选择Mini-batch的 阅读全文
posted @ 2021-07-27 16:04 AW_SOLE 阅读(130) 评论(0) 推荐(0)
优化算法
摘要：Mini-batch 梯度下降法 优化算法能让你的神经网络运行得更快。 之前我们所了解的向量化能让我们有效地对所有m个例子进行计算，允许 你处理整个训练集，而无需某个明确的公式 ，所以我们要把训练样本放到巨大的矩阵X当中去 一直到第X^(m)个训练样本，y也是如此 所以x的维数是(n_x,m)，y的 阅读全文
posted @ 2021-07-24 19:18 AW_SOLE 阅读(266) 评论(0) 推荐(0)
深度学习的实用层面
摘要：训练、开发、测试集 在机器学习中我们通常将样本分成训练集、验证集、和测试集三部分，数据集规模相对较小的适用传统的划分比例；数据规模较大的验证集和测试集可以占到数据总量20%或10%以下 偏差/方差 训练集错误率是0.5%，验证集错误率是1%，猫咪分类器只有1%的错误率，偏差和方差都很低。 方差是衡量 阅读全文
posted @ 2021-07-23 17:09 AW_SOLE 阅读(136) 评论(0) 推荐(0)
深层神经网络
摘要：深层神经网络 以下是一个四层的三个隐层的神经网络，隐层中的单元数目是553 然后我们用l表示层数，用n[l]表示节点数据或者是单元数量，例如：n[1]=5，表示的就是第一个隐层，单元数等于5 我们对于各个第l层都会用a[l]表示l层中的激活函数，以后就会遇到a[l]是激活函数g(z[l]),激活函数 阅读全文
posted @ 2021-07-21 15:39 AW_SOLE 阅读(258) 评论(0) 推荐(0)
浅层神经网络
摘要：神经网络表示 所谓“隐藏”的含义就是在训练集中这些中间节点的真正数值我们是不知道的，在训练集中我们看不到它们的数值。我们能看到输入值，也能看到输出值，但是隐藏层的值我们是无法看到的 之前我们利用x来表示输入特征，现在我们也可以使用来表示，它意味着网络中不同层的值会传递给后面的层 输入层将x的值传递给 阅读全文
posted @ 2021-07-20 16:42 AW_SOLE 阅读(257) 评论(1) 推荐(0)
神经网络基础
摘要：二分分类 logistic回归是一个用于二分分类的算法。 这里有一个二分分类的例子： 假如有一个图片，内容是一只猫 把这张图片作为我们要输入的内容。想要识别此图的标签，如果是猫的话，就输出 1，如果不是的话就输出0。用变量‘y’来表示输出的标签。 当计算机要保存一张图片的时候，他需要保存三个独立矩阵 阅读全文
posted @ 2021-07-19 11:32 AW_SOLE 阅读(116) 评论(0) 推荐(0)