一、計算機視覺 如圖示，之前課程中介紹的都是64* 64 *3的圖像，而一旦圖像質量增加，例如變成1000 * 1000 * 3的時候那么此時的神經網絡的計算量會巨大，顯然這不現實。所以需要引入其他的方法來解決這個問題。 二、邊緣檢測示例 邊緣檢測可以是垂直邊緣檢測，也可以是水平邊緣檢測 ...

一、目標定位 這一小節視頻主要介紹了我們在實現目標定位時標簽該如何定義。 上圖左下角給出了損失函數的計算公式(這里使用的是平方差) 如圖示，加入我們需要定位出圖像中是否有pedes ...

一、深層神經網絡 深層神經網絡的符號與淺層的不同，記錄如下： 用\(L\)表示層數,該神經網絡\(L=4\) \(n^{[l]}\)表示第\(l\)層的神經元的數量，例如\(n^{[1]}=n^{[2]}=5,n^{[3]}=3,n^{[4]}=1\) \(a^{[l ...

介紹 DeepLearning課程總共五大章節，該系列筆記將按照課程安排進行記錄。 另外第一章的前兩周的課程在之前的Andrew Ng機器學習課程筆記(博客園)&Andrew Ng機器學習課程筆記(CSDN)系列筆記中都有提到，所以這里不再贅述。 1、神經網絡概要 ...

作者：szx_spark 1. 經典網絡 LeNet-5 AlexNet VGG Ng介紹了上述三個在計算機視覺中的經典網絡。網絡深度逐漸增加，訓練的參數數量也驟增。AlexNet大約6000萬參數，VGG大約上億參數。 從中我們可以學習 ...

作者：szx_spark 1. Padding 在卷積操作中，過濾器（又稱核）的大小通常為奇數，如3x3，5x5。這樣的好處有兩點： 在特征圖（二維卷積）中就會存在一個中心像素點。有一個中心像素點會十分方便，便於指出過濾器的位置。 在沒有padding的情況下，經過卷積操作 ...

。 假如我們公司只有4個員工，按照之前的思路我們訓練的神經網絡模型應該如下： 如圖示，輸 ...

1. Mini-batch梯度下降法 介紹 假設我們的數據量非常多，達到了500萬以上，那么此時如果按照傳統的梯度下降算法，那么訓練模型所花費的時間將非常巨大，所以我們對數據做如下處理： 如 ...