摘要：自己接触的一些东西不够深入，整个体系的结构也不够清晰，所以回头从一些入门经典资料进行重新梳理。以下内容图片均来自Deep learning tutorial（李宏毅），其他内容均为本人自己的理解而做的一些记录，不代表原文观点，不保证准确性。 一、深度学习介绍 1.1 深度学习的介绍 先来看看机器学习 阅读全文

摘要：卷积与转置卷积的运算的示意图https://github.com/vdumoulin/conv_arithmetic#convolution-arithmetic 知乎如何理解转置卷积？https://www.zhihu.com/question/43609045 caffe中图片转换为矩阵图解，以 阅读全文

摘要：一、多层神经网络（为什么可以解决多种问题） 多层神经网络：在输入和输出层上有隐含层，可以克服单层神经网络的限制处理非线性分离问题 多层有更大的区分度，多条线去拟合 第三个图中，每一个方块对应第二个图中神经网络，即有两个隐含层。 第三个图中，每一个方块对应第二个图中神经网络，即有两个隐含层。 二、Fe 阅读全文

摘要：一、神经网络的结构 习惯的强势：能量最小化 大脑控制区在人对某一个事情形成习惯后，在该事情发生时，作出判断时不再消耗能量。（能量最小化与误差最小化？我想知道这里的能量与一般的能量函数之间有没有什么联系的地方？） 前向网络：网络中只有输入到输出的连接（下面给出单层和多层前向网络） 非隐藏层中可以比较期 阅读全文

摘要：前言 WHY？AI是从策略出发，简单可描述（可以用清晰的规则和算法取实现）的任务，让机器去执行。我们希望复杂难以描述的任务（如无人驾驶，语音识别等情况复杂，需要推理和抽象化的任务）也可以由机器去实现，ML/DL是从数据驱动出发。数据挖掘、模式识别、机器学习和神经网络都是用来解决这些复杂的情况下的任务 阅读全文

摘要：1、CNN，RNN和DNN https://www.zhihu.com/question/34681168 摘要： CNN神经元上下层之间是局部连接，通过卷积核作为中介，所有的卷积核在所有图像内是共享的（权值共享说明对于特征来说，不同位置可以使用同样的卷积核，说明在特征提取的过程中，在不同位置都可能 阅读全文