摘要： 阅读全文

摘要： 阅读全文

摘要：RNN 应用 阅读全文

摘要：RNN 阅读全文

摘要：CNN推展案例:图像检测、NeuralStyle  图像识别与定位 思路1：视作回归 思路2：借助图像窗口物体识别 边缘策略/选择性搜索 => R-CNN R-CNN => Fast R-CNN Fast R-CNN => Faster R-CNNNeuralStyle艺术化图片 原理 阅读全文

摘要：CNN训练注意事项与框架使用 Mini-batch SGD 不断循环：① 采样一个batch数据(比如32张，可以做镜像对称)② 前向计算得到损失loss③ 反向传播计算梯度(一个 batch上的)④ 用这部分梯度迭代更新权重参数 训练注意点  2种方式去均值 不要做标准化、PCA和白化 权重 阅读全文

摘要：CNN与常用框架 主要内容神经网络与卷积神经网络 1.层级结构 2.数据处理 3.训练算法 4.优缺点实际搭建与训练CNN 1.典型CNN 2.训练与fine-tuning常用框架与应用 1.常用框架 2.广泛应用 神经网络长什么样？ 什么鬼… 完整演示图：http://cs231n.gith 阅读全文

摘要：梯度下降法与反向传播 梯度下降法1.损失函数可视化2.最优化3.梯度下降反向传播1.梯度与偏导2.链式法则3.直观理解4.Sigmoid例子 两个重要函数得分函数损失函数核心目标找到最合适的参数w.使得损失函数取值最小化。也就是最优化的过程 损失函数往往定义在非常高维的空间比如CIF 阅读全文

摘要：这节课主要是讲了些基本的numpy，scipy和线性的分类器（图像上面，比如knn），还讲了下一些损失函数 一：numpy，scipy和线性的分类器（图像上面，比如knn）主要讲代码 注意;axis=0 表示列 axis=1表示行 numpy.random.rand(d0, d1, ..., dn) 阅读全文

摘要：梯度方向：上升的方向 梯度下降：沿着梯度的反方向下降，来最小化损失函数，也就是沿着梯度的反方向 泰勒级数：展开式通项 贝叶斯公式：后验概率=先验概率*条件概率 特征值与特征向量：特征值不同，特征向量线性无关 PCA:降维的同时尽可能的保留原始的信息 过程 1)先求解协方差矩阵 2)求解协方差矩阵的特 阅读全文