1. Mini-batch梯度下降法 介绍 假设我们的数据量非常多，达到了500万以上，那么此时如果按照传统的梯度下降算法，那么训练模型所花费的时间将非常巨大，所以我们对数据做如下处理： 如图所示，我们以1000为单位，将数据进行划分，令\(x^{\{1\}}=\{x^{(1)},x ...

更多笔记请火速前往 DeepLearning.ai学习笔记汇总 本周我们将学习如何配置训练/验证/测试集，如何分析方差&偏差，如何处理高偏差、高方差或者二者共存的问题，如何在神经网络中应用不同的正则化方法(如L2正则化、Dropout)，梯度检测。 一、训练/验证/测试集 ...

一 批标准化 (batch normalization) Batch Normalization是Google2015年在论文：http://jmlr.org/proceedings/papers/v37/ioffe15.pdf中提出来的 训练深层的神经网络很复杂，因为训练时每一层输入 ...

首先我们理解一下，什么叫做正则化？ 　　目的角度：防止过拟合 　　简单来说，正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集 ...

超参数：在机器学习中，超参数是在开始学习过程之前定义的参数，而不是通过训练得到的参数； 过拟合：神经网络模型在训练数据集上的准确率较高，但此模型在新的数据进行预测或分类时准确率较低，则说明这个模型的泛化能力差。 正则化：在损失函数中给每个参数 w 加上权重，引入模型复杂度指标，从而抑制模型 ...

介绍 DeepLearning课程总共五大章节，该系列笔记将按照课程安排进行记录。 另外第一章的前两周的课程在之前的Andrew Ng机器学习课程笔记(博客园)&Andrew Ng机器学习课程笔记(CSDN)系列笔记中都有提到，所以这里不再赘述。 1、神经网络概要 ...

Logistic Regression 一、内容概要 Classification and Representation Classification Hypothe ...

一、深层神经网络 深层神经网络的符号与浅层的不同，记录如下： 用\(L\)表示层数,该神经网络\(L=4\) \(n^{[l]}\)表示第\(l\)层的神经元的数量，例如\(n^{[1]}=n^{[2]}=5,n^{[3]}=3,n^{[4]}=1\) \(a^{[l ...