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，如下图中的“一只猫站在椅子上”。同样包括编码网络和解码网络。 3.2选择最可能的句子 ...
原文：吴恩达《深度学习》第五门课（1）循环序列模型（RNN）
. 为什么选择序列模型 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。 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，多对一，多对多 个数不同 等情况来针对不同的应用。 . 数学符号 x i lt t gt 前面的i表示第i个训练样本，t表示某个序列样本 ...
2018-07-21 16:02 0 1457 推荐指数：
相关推荐
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》-课后测验-第五门课 序列模型(Sequence Models)-Week 2: Natural Language Processing and Word Embeddings (第二周测验：自然语言处理与词嵌入)
Week 2 Quiz: Natural Language Processing and Word Embeddings (第二周测验：自然语言处理与词嵌入) 1.Suppose you learn ...
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
4.1什么是人脸识别 （1）人脸验证（face verification）:1对1，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。 （2）人脸识别（face recognition）:1对多，判断这个人是否是系统中的某一个人。 4.2One-shot学习 （1）比如一个公司的员工 ...
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 ...
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 ...
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 ...
吴恩达深度学习笔记（deeplearning.ai）之循环神经网络（RNN）（三）
1. 导读 本节内容介绍普通RNN的弊端，从而引入各种变体RNN，主要讲述GRU与LSTM的工作原理。 事先声明，本人采用ng在课堂上所使用的符号系统，与某些学术文献上的命名有所不同，不过核心思想都是相同的。 2. 普通RNN的弊端 在NLP中，句子内部以及句子之间可能存在很长的依赖 ...