随笔分类 - CS231N课程笔记
记录CS231N课程的学习笔记
摘要：https://www.cnblogs.com/34fj/p/9036369.html
阅读全文
摘要：原文链接：https://blog.csdn.net/weixin_38646522/article/details/79534677 一些数据预处理的标准方法有均值化数据和归一化数据。 零中心化的意义在上面已经详细的讲述了，这里就不在细讲。 归一化数据的意义在于让所有的特征都在相同的值域之内，并且
阅读全文
摘要：在上个lecture中，我们看到了任意特定层是如何生成输出的，输入数据在全连接层或者卷积层，将输入乘以权重值，之后将结果放入激活函数（非线性单元） 下面是一些激活函数的例子，有在之前使用过的sigmoid函数，之前提及到的ReLU函数。这里会提及更多的激活函数，并在它们之间进行权衡。 先是之前见过的
阅读全文
摘要：原博客：https://blog.csdn.net/dawningblue/article/details/82902336 用不是特别严谨但是比较通俗的语言描述整个过程 卷积神经网络是从卷积层开始介绍的，而卷积层的介绍是从全连接层开始介绍的。 全连接层的处理方式是一次性处理一张图片的全部信息，处理
阅读全文
摘要：原博客：https://blog.csdn.net/huplion/article/details/79069365 （在此仅作学习记录作用） 一、前言 在前几篇文章中，我们学习到如何在训练集上设置权重，并由此计算出损失(loss)，其中loss是由两部分组成，分别是数据损失项和正则化项目。我们最终
阅读全文
摘要：原博客：https://blog.csdn.net/sinat_36458870/article/details/82824529（此处只做学习记录用） 回顾上次的内容，其实就会发现，虽然我们构造好了损失函数，可以简单使用导数的定义解决损失函数优化问题，但是并不高效。 1. 该课程，主要是： 反向传
阅读全文
摘要：本节是cs231n笔记：最优化，并介绍了梯度下降方法，然后应用到逻辑回归中。 引言 在上一节线性分类器中提到，分类方法主要有两部分组成： 1. 基于参数的评分函数。能够将样本映射到类别的分值。 2. 损失函数。用来衡量预测标签和真实标签的一致性程度。 这一节介绍第三个重要部分：最优化（optimiz
阅读全文
浙公网安备 33010602011771号