摘要：
详解Padding 为了构建深度神经网络，需要学会使用的一个基本的卷积操作就是padding，让来看看它是如何工作的。 如果用一个3×3的过滤器卷积一个6×6的图像，最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为3×3过滤器在6×6矩阵中，只可能有4×4种可能的位置。这背后的数学解释是， 阅读全文
摘要：
详解更多边缘检测内容 已经见识到用卷积运算实现垂直边缘检测，在本博客中，将看到如何区分正边和负边，这实际就是由亮到暗与由暗到亮的区别，也就是边缘的过渡。还能了解到其他类型的边缘检测以及如何去实现这些算法，而不要总想着去自己编写一个边缘检测程序。 这张6×6的图片，左边较亮，而右边较暗，将它与垂直边缘 阅读全文
摘要：
详解边缘检测示例 卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。在这个博客中，会看到卷积是如何进行运算的。 在之前的博客中，说过神经网络的前几层是如何检测边缘的，然后，后面的层有可能检测到物体的部分区域，更靠后的一些层可能检测到完整的物体，这个例子中就是人脸。在这个博客中，会看到 阅读全文
摘要：
详解计算机视觉 计算机视觉是一个飞速发展的一个领域，这多亏了深度学习。深度学习与计算机视觉可以帮助汽车，查明周围的行人和汽车，并帮助汽车避开它们。还使得人脸识别技术变得更加效率和精准，即将能够体验到或早已体验过仅仅通过刷脸就能解锁手机或者门锁。当解锁了手机，猜手机上一定有很多分享图片的应用。在上面， 阅读全文
摘要：
详解是否要使用端到端的深度学习？ 假设正在搭建一个机器学习系统，要决定是否使用端对端方法，来看看端到端深度学习的一些优缺点，这样就可以根据一些准则，判断的应用程序是否有希望使用端到端方法。 这里是应用端到端学习的一些好处，首先端到端学习真的只是让数据说话。所以如果有足够多的\((x,y)\)数据，那 阅读全文
摘要：
什么是端到端的深度学习？ 深度学习中最令人振奋的最新动态之一就是端到端深度学习的兴起，那么端到端学习到底是什么呢？简而言之，以前有一些数据处理系统或者学习系统，它们需要多个阶段的处理。那么端到端深度学习就是忽略所有这些不同的阶段，用单个神经网络代替它。 来看一些例子，以语音识别为例，目标是输入\(x 阅读全文
摘要：
详解多任务学习 在迁移学习中，步骤是串行的，从任务\(A\)里学习只是然后迁移到任务\(B\)。在多任务学习中，是同时开始学习的，试图让单个神经网络同时做几件事情，然后希望这里每个任务都能帮到其他所有任务。 来看一个例子，假设在研发无人驾驶车辆，那么无人驾驶车可能需要同时检测不同的物体，比如检测行人 阅读全文
摘要：
详解迁移学习 深度学习中，最强大的理念之一就是，有的时候神经网络可以从一个任务中习得知识，并将这些知识应用到另一个独立的任务中。所以例如，也许已经训练好一个神经网络，能够识别像猫这样的对象，然后使用那些知识，或者部分习得的知识去帮助您更好地阅读x射线扫描图，这就是所谓的迁移学习。 来看看，假设已经训 阅读全文
摘要：
处理数据不匹配问题 如果您的训练集来自和开发测试集不同的分布，如果错误分析显示有一个数据不匹配的问题该怎么办？这个问题没有完全系统的解决方案，但可以看看一些可以尝试的事情。如果发现有严重的数据不匹配问题，通常会亲自做错误分析，尝试了解训练集和开发测试集的具体差异。技术上，为了避免对测试集过拟合，要做 阅读全文
摘要：
详解数据分布不匹配时，偏差与方差的分析 估计学习算法的偏差和方差真的可以帮确定接下来应该优先做的方向，但是，当训练集来自和开发集、测试集不同分布时，分析偏差和方差的方式可能不一样，来看为什么。 继续用猫分类器为例，说人类在这个任务上能做到几乎完美，所以贝叶斯错误率或者说贝叶斯最优错误率，知道这个问题 阅读全文