摘要：
目录1.2.3.4. 1. # 模型各层之间是线性关系 k层 k+1层可以加上各种元素来构造神经网络 # 这些元素可以通过一个列表来制定 然后作为参数传递给Sequential来生成模型 from keras.models import Sequential from keras.models im 阅读全文
摘要：
目录1. Normalization2. MobileNet 1. Normalization feature map shape 记为[N, C, H, W]，其中 N 表示 batch size，即 N个样本；C 表示通道数；H、W 分别表示特征图的高度、宽度。这几个方法主要的区别就是在： BN 阅读全文
摘要：
目录1. Inception2. ResNet3. DenseNet4. MobileNet 1. Inception 其中的一部分： Inception相比之前的VGG LeNet这些都是单条线的 Inception 多分支并行 再concat Inception 第一版GoogleNet 特征总 阅读全文
摘要：
目录1. dropout2. 数据增强3. 优化器 1. dropout 使用 L1 和 L2 正则去限制神经网络连接的 weights 权重 在深度学习中，最流行的正则化技术，它被证明非常成功，即使在顶尖水准的神经网络中也可以带来 1%到 2%的准确度提升，这可能乍听起来不是特别多，但是如果模型已 阅读全文
摘要：
目录1. 什么是梯度消失2. mnist数据集 应用CNN3. 经典的CNN VGG 1. 什么是梯度消失 在梯度下降中，随着算法反向反馈到前面几层，梯度会越来越小，最终，没有变化，这时或许还没有收敛到比较好的解，这就是梯度消失问题， 梯度爆炸或者消失！！！ 1，神经网络损失函数非凸的损失函数，逐步 阅读全文
摘要：
目录1. 池化层2. CNN的一般架构3. 经典的LeNet4 代码5 代码2 1. 池化层 为什么要有池化层？ 目标就是降采样subsample，shrink，减少计算负荷，内存使用，参数数量（也可防止过拟合） 正如卷积神经网络一样，在池化层中的每个神经元被连接到上面一层输出的神经元，只对应一小块 阅读全文
摘要：
目录1. 什么是感受野 1. 什么是感受野 CNN与DNN 不同之处局部连接 卷积的计算： 假设有一个 55 的图像，使用一个 33 的 filter 进行卷积，得到一个 3*3 的 Feature Map 彩色图片 3通道： 一个卷积核 得到一层 feature_map 在一个特征图里面，所有的神 阅读全文
摘要：
目录1. 举例2. python实现 1. 举例 2. python实现 import numpy as np from sklearn.datasets import fetch_mldata from sklearn.utils.extmath import safe_sparse_dot de 阅读全文
摘要：
目录 人工神经网络有两个或两个以上隐藏层，称为DNN 深度神经网络 三种常见的激活函数及其导数 --复习前面所学 线性回归更新权重 逻辑回归 多分类 阅读全文
摘要：
目录1. 神经网络算法是有监督的学习算法，2. 分类3. 训练4. 代码 进入新的内容，深度学习啦 万事万物的产生不是一下子就变出来的，学术上也是，一点点的进步才催生出一门新的学科或者技术，神经网络用于机器学习也不例外， 前面的机器学习的内容，线性回归，逻辑回归，多分类，决策树，以及各种集成学习，再 阅读全文