摘要：2017-08-21 这次的课程介绍了RNN的相关知识； 首先是RNN的几种模型： 分别又不同的应用场景，包括机器翻译，视频的分类。。。 RNN的解释： 主要的特点就是用到了上一个隐含状态的信息，所以RNN网络具有记忆的特性； 一个例子：Vanilla网络： 接下来是RNN的coputational 阅读全文

摘要：2017-08-21 这次的课程比较偏向实际的运用，介绍了当前几种比较主流的CNN网络； 主要是AlexNet,GoogleNet, VGG, ResNet 需要把课后习题做了才能更好的理解。 阅读全文

摘要：2017-08-19 主要内容：CPU和GPU介绍，几种深度学习框架的介绍 1.CPU和GPU CPU一般核数目比较少，适合做通用的计算，速度比较快，共享系统的内存 GPU一般单个核心的速度比较慢，但是核心数目很多，几千个，但是CPOU只有几个几十个，所以GPU适合做简单的人物，大规模并行计算，在深 阅读全文

摘要：2017-08-18 备注：1-5节课看的是2016年冬季的课程，6开始看的是2017春季的课程。因为按照2016的内容安排，第六节课在2017就是第七节课了。所以这里是从第七节课开始。 上次内容： 神经网络训练的第一部分内容，主要是激活函数的优缺点介绍，数据的预处理，包括PCA数据降维，数据的规范 阅读全文

摘要：2017-08-15 这节课个人感觉没有怎么听懂，大概主要讲了一下几个点： 神经网络的历史、激活函数之间的优缺点对比、数据的预处理、权重的初始化注意事项、正则化、学习过程种的监督（学习率）、超参数的优化 1.历史： 从最早的二元分类器感知机，到后面的多层感知机，神将网络，再到后面的改个名字深度学习。 阅读全文

摘要：2017-08-14 这节课的主要内容是反向传播的介绍，非常的详细，还有神经网络的部分介绍，比较简短。 首先是对求导，梯度的求解。反向传播的核心就是将函数进行分解，分段求导，前向计算损失，反向计算各个单元的梯度，即代表 各个单元对于最后结果的影响力。因为神经网络一般过于庞大，所以采取分段求导会比较实 阅读全文

摘要：2017-08-13 Loss functiuon and opetimization 这节课主要介绍了损失函数的概念，和如何对损失函数进行优化，从而找到最优的参数值W； 损失函数介绍了两种，SVM - multi class calssifier: 对SVM的一个扩展，可以分类多个类别； mult 阅读全文

摘要：2017-08-12 1.图片分类是很多CV任务的基础； 2.图片分类要面临很多的问题，比如图片被遮挡，同一种动物有很多种颜色，形状等等，算法需要足够强壮； 3.所以很难直接写出程序来进行图片分类，常用的方法是数据的驱动的方法： 4.KNN: 重点在于选取K的数值，可以采取交叉验证的方式，找到最佳的 阅读全文

摘要：15:13:382017-08-11 【这是2016年冬季的课程，2017的暂时好像还没有出】 1.介绍计算机视觉的发展历史，5.4亿年 2.这门课虽然是计算机视觉，但是主要侧重点在图像的分类任务上； 3.主要集中在CNN卷积神经网络的学习，基于对ImageNet图片的处理； 4.2012~2015 阅读全文