摘要：
1 语义分割 语义分割是对图像中每个像素作分类，不区分物体，只关心像素。如下： （1）完全的卷积网络架构 处理语义分割问题可以使用下面的模型： 其中我们经过多个卷积层处理，最终输出体的维度是C*H*W，C表示类别个数，表示每个像素在不同类别上的得分。最终取最大得分为预测类别。 训练这样一个模型，我们 阅读全文
摘要：
1 RNN介绍 （1）一对多，多对一，多对多的任务 传统的神经网络只能处理一对一的任务，而RNN可以处理一对多，多对一，多对多的任务： 其中，一些典型的应用如下： Image Captioning：image -> sequence of words （one to many） Sentiment 阅读全文
摘要：
1 LeNet-5 （1998） 第一个被提出的卷积网络架构，深度较浅，用于手写数字识别。 2 AlexNet （2012） 架构为： CONV1 ->MAX POOL1 ->NORM1 ->CONV2 ->MAX POOL2 ->NORM2 ->CONV3->CONV4->CONV5->Max P 阅读全文
摘要：
原版地址：http://cs231n.github.io/convolutional-networks/ 知乎翻译地址：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit 1 卷积层 （1）理解卷积层 按照卷积的观点看，卷积层由若干 阅读全文
摘要：
一.作业要求 原版：http://cs231n.github.io/assignments2017/assignment2/ 翻译：http://www.mooc.ai/course/268/learn?lessonid=2029#lesson/2029 二.作业收获及代码 完整代码地址：https 阅读全文
摘要：
（本文记录深度神经网络中最基本最重要的内容，想要快速复习这些内容，阅读这些笔记即可） 1.反向传播 反向传播理解：https://zhuanlan.zhihu.com/p/21407711?refer=intelligentunit 最好的向量反向传播理解：http://www.cnblogs.co 阅读全文
摘要：
本文记录官方note中比较新颖和有价值的观点（从反向传播开始） 一 反向传播 1 “反向传播是一个优美的局部过程。在整个计算线路图中，每个门单元都会得到一些输入并立即计算两个东西：1. 这个门的输出值，和2.其输出值关于输入值的局部梯度。门单元完成这两件事是完全独立的，它不需要知道计算线路中的其他细 阅读全文
摘要：
一.作业要求 原版：http://cs231n.github.io/assignments2017/assignment1/ 翻译：http://www.mooc.ai/course/268/learn?lessonid=1962#lesson/1962 二.作业收获及代码 完整代码地址：https 阅读全文
摘要：
1 只考虑二阶特征组合情况，穷举所有可能的二阶特征组合并用LR训练，与直接使用FM训练，哪一种效果更好？为什么？ 答：使用FM效果更好。原因是穷举所有二阶特征组合，对于高维稀疏特征来说，某些特征组合项非0的样本数是很少的，势必会导致学出来的权重不准，这也是为什么FM要学习特征隐向量的原因。 2 如果 阅读全文
摘要：
1 对决策树使用adaboost 对决策树使用adaboost时，有以下几个问题： （1）adaboost每次更新的样本权重如何应用到决策树中？ 由于我们不知道决策树的err目标是什么，因此通常的方法是根据权重对样本采样，然后给决策树训练，这样我们不需要修改决策树算法本身，样本的权重信息就传进去了。 阅读全文