深度学习知识点笔记汇总

  这段时间把CS231n课程作业网站上的知识点文档仔细看了一遍，感觉收获很大。于是后面就花了几天时间翻译、整理、总结这些文档的内容，并贴在CSDN博客上。如果发现有翻译错误或者没看懂的地方，欢迎留言或私信我更正。
  总共整理出16篇神经网络笔记和10篇卷积神经网络笔记，现总结如下：

1. 神经网络（Neural Network）

• 深度学习笔记（一）—— 计算梯度[Compute Gradient]
• 深度学习笔记（二）—— 梯度下降[Gradient Descent]
• 深度学习笔记（三）—— 反向传播[Back Propagation] & 计算图[Computational Graph]
• 深度学习笔记（四）—— 神经网络结构[Neural Network Architectures]
• 深度学习笔记（五）—— 激活函数[Activation Functions]
• 深度学习笔记（六）—— 数据预处理[Data Preprocessing]
• 深度学习笔记（七）—— 初始化权值[Weight Initialization]
• 深度学习笔记（八）—— 正则化[Regularization]
  
• 深度学习笔记（九）—— 损失函数[Loss Functions]
• 深度学习笔记（十）—— 梯度检验[Gradient Checks]
• 深度学习笔记（十一）—— 完整性检查[Sanity Checks]
• 深度学习笔记（十二）—— 训练过程监视[Babysitting The Learning Process]
• 深度学习笔记（十三）—— 参数更新[Parameter Updates]
• 深度学习笔记（十四）—— 超参数优化[Hyperparameter Optimization]
• 深度学习笔记（十五）—— 模型集成[Model Ensembles]
• 深度学习笔记（十六）—— 自己创建并实现一个完整的神经网络(实践)[Put Into Practice]

2. 卷积神经网络（Convolutional Neural Network）

• 卷积神经网络[CNN]笔记（一）—— 网络体系结构概述
• 卷积神经网络[CNN]笔记（二）—— 全连接层[Fully-Connected Layer]与卷积层[Convolutional Layer]的转换
• 卷积神经网络[CNN]笔记（三）—— 池化层[Pooling Layer]
• 卷积神经网络[CNN]笔记（四）—— 输入输出与超参数关系计算公式
• 卷积神经网络[CNN]笔记（五）—— 参数共享机制
• 卷积神经网络[CNN]笔记（六）—— 卷积层结构
• 卷积神经网络[CNN]笔记（七）—— 层参数的经验值设置及网络内存问题分析
• 卷积神经网络[CNN]笔记（八）—— 深度学习入门时必须了解的几个经典网络结构
• 卷积神经网络[CNN]笔记（九）—— 网络及参数可视化方法
• 卷积神经网络[CNN]笔记（十）—— 使用预训练好的模型进行迁移学习