摘要：
数学符号 我们先从定义符号开始，一步步构建序列模型。 如果你想建立一个能够自动识别句中人名位置的序列模型，那么就有一个命名实体识别问题，常用于搜索引擎 用y^<>来表示输出数据，用T_x来表示输入序列的长度，用T_y表示输出序列的长度 训练样本i的序列中第t个元素可以用表示 表示第i个训练样本的输入 阅读全文
摘要：
Triplet损失 为了应用三元组损失函数，我们需要比较成对的图像。 为了学习网络的参数，你需要同时看几幅图片，比如这两张，你想要它们的编码相似因为这是同一个人，然而假如是这对图片，你会想要它们的编码差异大一些。用三元组损失的术语来说，你要做的通常是看一个anchor图片，你想让anchor图片和p 阅读全文
摘要：
目标定位 今天我们来学习的内容是对象检测，它是计算机视觉领域中一个新兴的应用方向，在构建对象检测之前，我们需要先了解对象定位。 通过输出四个参数值bx by bh bw，给出图片中对象的边界框。概括的说，神经网络可以通过输出图片上特征点的(x,y)坐标来实现对目标特征的识别 卷积的滑动窗口实现 为了 阅读全文
摘要：
经典网络 我们需要了解几个经典的神经网络结构，分别是LeNet-5网络、AlexNet和VGGNet 首先我们来看LeNet-5网络 假设你有一张32*32*1的图片，LeNet-5可以识别图片中的手写数字，比如7，此网络是针对灰度图像训练的。 此网络，第一层使用6个5*5的过滤器，步幅为1，pad 阅读全文
摘要：
边缘检测示例 给一张图片让电脑 去搞清楚,这张照片里有什么物体,你可能做的第一件事是检测图片中的垂直边缘,比如说在这张图片中的栏杆就对应垂直线,与此同时这些行人的轮廓线某种程度中也是垂线这些线是垂直边缘检测器的输出 。 你可能也想检测水平边缘，比如说这些栏杆就是很明显的水平线它们也能被检测到，结果 阅读全文
摘要：
调试处理 关于训练深度最难的事情 之一是你要处理参数的数量，从学习速率α到momentum(术语)β。 如果使用momentum或Adam优化算法的参数，可能你还得选择层数，选择不同层中隐藏单元的数量。也许你还想使用学习率衰退，所以你使用的不是单一的学习速率α。你可能还需要选择Mini-batch的 阅读全文
摘要：
Mini-batch 梯度下降法 优化算法能让你的神经网络运行得更快。 之前我们所了解的向量化能让我们有效地对所有m个例子进行计算，允许 你处理整个训练集，而无需某个明确的公式 ，所以我们要把训练样本放到巨大的矩阵X当中去 一直到第X^(m)个训练样本，y也是如此 所以x的维数是(n_x,m)，y的 阅读全文
摘要：
训练、开发、测试集 在机器学习中我们通常将样本分成训练集、验证集、和测试集三部分，数据集规模相对较小的适用传统的划分比例；数据规模较大的验证集和测试集可以占到数据总量20%或10%以下 偏差/方差 训练集错误率是0.5%，验证集错误率是1%，猫咪分类器只有1%的错误率，偏差和方差都很低。 方差是衡量 阅读全文
摘要：
深层神经网络 以下是一个四层的三个隐层的神经网络，隐层中的单元数目是553 然后我们用l表示层数，用n[l]表示节点数据或者是单元数量，例如：n[1]=5，表示的就是第一个隐层，单元数等于5 我们对于各个第l层都会用a[l]表示l层中的激活函数，以后就会遇到a[l]是激活函数g(z[l]),激活函数 阅读全文
摘要：
神经网络表示 所谓“隐藏”的含义就是在训练集中这些中间节点的真正数值我们是不知道的，在训练集中我们看不到它们的数值。我们能看到输入值，也能看到输出值，但是隐藏层的值我们是无法看到的 之前我们利用x来表示输入特征，现在我们也可以使用来表示，它意味着网络中不同层的值会传递给后面的层 输入层将x的值传递给 阅读全文