08 2019 档案
摘要：CS231n note 5.1 CNN_history now: 略 5.2 CNN 上节课我们谈到了全连接层的概念： 对于全连接层而言，我们要做的就是在这些向量上进行操作。 例如： 但是至于卷积层，与前者截然不同的地方就是可以保持空间结构 例如下图： 一张32×32×3的图片，我们并非将它展成长向
阅读全文
摘要：CS231n 学习笔记 4.2 神经网络 Neural networks 之前我们已经使用了 很多线性分类函数 现在我们不用单变换的： 我们首先有线性层，然后有这个非线性计算，继而在顶层再加入另一个线性层。然后到这里，最后我们可以得到一个计分函数。输出计分向量。 一般来说，神经网络就是由简单函数构成
阅读全文
摘要：CS231n 4.1 Backpropagation 回顾： 两个损失函数： 优化的方法： 如何计算梯度： 1. 用有限差分估计 2. 直接计算偏导数（解析梯度） 今天，我们要学习 如何计算任意复杂度的解析梯度 要用到一个叫做计算图的框架： 每一个节点代表着计算 上图是我们讲过的线性分类器 这里使用
阅读全文
摘要：CS231n 3.1 Lost Function 我们上次提到，要如何选择最优的W呢？ 这就是要选择几种损失函数了。 我们要找到一种可行的方法来选择最优的W 先看简单的3个样本的例子 正式定义损失函数： x是样本不带标签，y则是标签 在Cafar10，我们要把图片分类到10个类别中去。 所以，在这里
阅读全文
摘要：CS231n 2 K Nearest Neighbors note by Orangestar 1. codes: 2. 缺点：训练的时间复杂度是O(1),而预测的时间复杂度是O(N) 当然，这个算法还可以选择选取K个最近的点，然后加权投票 http://vision.stanford.edu/te
阅读全文
