深度学习01-(深度学习概述、感知机、神经网络、损失函数与梯度下降、反向传播算法、卷积神经网络理论)
深度学习-01
深度学习概述

引入
人工智能划时代事件

深度学习巨大影响

深度学习
什么是深度学习

深度神经网络

深度学习与机器学习的关系


深度学习的特点

深度学习的优点





深度学习的缺点

为什么要学习深度学习

深度学习的应用






深度学习发展史





深度网络进化过程

小结

感知机与神经网络

感知机
什么是感知机

感知机的功能

实现逻辑和

实现逻辑或

如何实现感知机
实现逻辑和

实现逻辑或

感知机的缺陷

多层感知机

多层感知机解决异或门实现

神经网络
什么是神经网络

神经网络的功能

通用近似定理



深层网络的优点

激活函数
什么是激活函数

为什么使用激活函数

常见的激活函数
阶跃函数

sigmoid函数

tanh双曲正切函数

ReLU(Rectified Linear Units,修正线性单元)

Softmax

小结

损失函数与梯度下降

损失函数
什么是损失函数

损失函数的作用

常用的损失函数
均方误差损失函数

交叉熵

梯度下降
什么是梯度下降

梯度下降

导数与偏导数
导数


偏导数

学习率

梯度递减训练法则

梯度下降算法
批量梯度下降

随机梯度下降

小批量梯度下降

几种梯度下降算法收敛比较

小结

反向传播算法

什么是正向传播网络

什么是反向传播

为什么需要反向传播

反向传播算法及简史


图解反向传播






反向传播计算



链式求导法则


案例1:通过反向传播计算偏导数


小结

卷积神经网络

卷积函数
什么是卷积

离散卷积与多维卷积

生活中的卷积

卷积神经网络
全连接神经网络的局限

什么是卷积神经网络

卷积神经网络的用途

卷积运算
单通道、二维卷积运算示例
相同位置相乘再相加




单通道、二维带偏置的卷积运算示例

带填充(padding)的单通道、二维卷积运算示例

步幅(stride)为2的卷积算示例

卷积运算输出矩阵大小计算公式


多通道卷积


卷积运算的效果



案例2:图像卷积运算


卷积神经网络结构
总体结构

卷积层

激活层

池化层

池化层计算

池化层的特征

全连接层

典型CNN介绍
LeNet:主要参数

AlexNet:特点

AlexNet:主要参数

VGG:概要介绍

VGG:主要参数

小结

总结


浙公网安备 33010602011771号