吴恩达深度学习课程笔记
这几天每天花了点时间看完了吴恩达的深度学习课程视频。目前还只有前三个课程，后面的卷积神经网络和序列模型尚未开课。课程的视频基本上都是十分钟出头的长度，非常适合碎片时间学习。 一直以为机器学习的重点在于设计精巧、神秘的算法来模拟人类解决问题。学了这门课程才明白如何根据实际问题优化、调整模型更为重要 ...
原文：吴恩达深度学习笔记（八） —— ResNets残差网络
很好的博客：残差网络ResNet笔记 主要内容： 一.深层神经网络的优点和缺陷 二.残差网络的引入 三.残差网络的可行性 四.identity block 和 convolutional block 一.深层神经网络的优点和缺陷 .深度神经网络很大的一个优点就是能够表示一个复杂的功能。网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。但 ...
2018-10-07 22:12 0 1231 推荐指数：
相关推荐
吴恩达深度学习课程笔记-3
01. 神经网络和深度学习 第四周 深层神经网络 4.1 & 4.2 深层神经网络 logistic回归模型可以看作一层网络，通过增加隐藏层的层数，就可以得到深层网络了。 4.3 检查矩阵的维数 确保神经网络计算正确的有效方法之一就是检查矩阵的维数，包括数据矩阵、参数 ...
吴恩达深度学习课程笔记
神经网络和深度学习 课程 1-1深度学习概述 2-1 神经网络的编程基础 2-2 逻辑回归代价函数与梯度下降 2-3 计算图与逻辑回归中的梯度下降 2-4 向量化 2-5 向量化逻辑回归 2-6 向量化 logistic 回归的梯度输出 2-7 Python ...
残差网络(ResNets)
构建能够训练深度网络的 ResNets，ResNets 是由残差块（Residual block）构建 ...
吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（下）
作者：szx_spark 1. 经典网络 LeNet-5 AlexNet VGG Ng介绍了上述三个在计算机视觉中的经典网络。网络深度逐渐增加，训练的参数数量也骤增。AlexNet大约6000万参数，VGG大约上亿参数。 从中我们可以学习 ...
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 ...
吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（上）
作者：szx_spark 1. Padding 在卷积操作中，过滤器（又称核）的大小通常为奇数，如3x3，5x5。这样的好处有两点： 在特征图（二维卷积）中就会存在一个中心像素点。有一个 ...
吴恩达深度学习笔记（deeplearning.ai）之循环神经网络（RNN）（一）
RNN 首先思考这样一个问题：在处理序列学习问题时，为什么不使用标准的神经网络（建立多个隐藏层得到最终的输出）解决，而是提出了RNN这一新概念？ 标准神经网络如下图所示： 标准神经网络在解决序列问题时，存在两个问题： 难以解决每个训练样例子输入输出长度不同的情况，因为序列的长度代表 ...