吴恩达《深度学习》第四门课（1）卷积神经网络
1.1计算机视觉 （1）计算机视觉的应用包括图像分类、目标检测、图像分割、风格迁移等，下图展示了风格迁移案例： （2）图像的特征量非常之大，比如一个3通道的1000*1000的照片，其特征为3*1000*1000达到300万，如果第一个隐藏层有1000个单元那么W[1]有20亿个参数，计算 ...
原文：吴恩达《深度学习》第四门课（4）特殊应用：人脸识别和神经风格迁移
. 什么是人脸识别 人脸验证 face verification : 对 ，输入一个照片或者名字或者ID，然后判断这个人是否是本人。 人脸识别 face recognition : 对多，判断这个人是否是系统中的某一个人。 . One shot学习 比如一个公司的员工，一般每个人只给一张工作照 如 个人 ，这时网络输出五个单元，分别代表他们以及都不是。这样设计会有两个明显的问题：第一是每个人只给 ...
2018-07-18 20:50 0 1012 推荐指数：
相关推荐
吴恩达《深度学习》第四门课（3）目标检测（Object detection）
3.1目标定位 （1）案例1：在构建自动驾驶时，需要定位出照片中的行人、汽车、摩托车和背景，即四个类别。可以设置这样的输出，首先第一个元素pc=1表示有要定位的物体，那么用另外四个输出元素表示定位框 ...
吴恩达《深度学习》第一门课（2）神经网络的编程基础
2.1二分类 （1）以一张三通道的64×64的图片做二分类识别是否是毛，输出y为1时认为是猫，为0时认为不是猫： y输出是一个数，x输入是64*64*3=12288的向量。 （2）以下是一些符号定义（数据集变成矩阵之后进行矩阵运算代替循环运算，更加高效） x：表示一个nx维数据，维度 ...
卷积神经网络-吴恩达深度学习课程第四课
时间：2021/02/16 一.卷积神经网络 1.1 计算机视觉 卷积神经网络一般应用于计算机视觉领域，由于有的时候图片的像素点很多，导致神经网络输入特征值的维数很多。 1.2 边缘检测示例 如下图所示，原图是一个6*6*1的矩阵，卷积核是一个 ...
吴恩达《深度学习》第五门课（3）序列模型和注意力机制
3.1序列结构的各种序列 （1）seq2seq：如机器翻译，从法文翻译成英文，将会是下面这样的结构，包括编码网络和解码网络。 （2）image to sequence：比如给一幅图像添加描述， ...
吴恩达《深度学习》第五门课（1）循环序列模型（RNN）
1.1为什么选择序列模型 （1）序列模型广泛应用于语音识别，音乐生成，情感分析，DNA序列分析，机器翻译，视频行为识别，命名实体识别等众多领域。 （2）上面那些问题可以看成使用（x，y）作为训练集的监督学习，但是输入与输出的对应关系有非常多的组合，比如一对一，多对多，一对多 ...
吴恩达《深度学习》第五门课（2）自然语言处理与词嵌入
2.1词汇表征 （1）使用one-hot方法表示词汇有两个主要的缺点，以10000个词为例，每个单词需要用10000维来表示，而且只有一个数是零，其他维度都是1，造成表示非常冗余，存储量大；第二每个 ...
吴恩达深度学习 第四课第二周编程作业_Residual Networks
Residual Networks 参考：https://blog.csdn.net/u013733326/article/details/80250818 欢迎来到本周的第二次作业!您将学习如何使用剩余网络(ResNets)构建非常深的卷积网络。理论上，深度很深的网络可以代表非常复杂 ...