吴恩达深度学习笔记

吴恩达深度学习笔记(81)-为什么使用卷积？（Why convolutions?）

为什么使用卷积？（Whyconvolutions?）我们来分析一下卷积在神经网络中如此受用的原因，然后对如何整合这些卷积，如何通过一个标注过的训练集训练卷积神经网络做个简单概括。和只用全连接层相比，卷积层的两个主要优势在于参数共享和稀疏连接，举例说明一下。假设有一张32×32×3维度的图片，这是上节课的示例，假设用了6个大小为5×5的过滤器，输出维度为28×28×6。32×32×3=3072，28
极客Array·2021-03-11 02:44

F47.深度神经网络中权值初始化（即：卷积核的数值（权值）初始化）

注：神经网络训练时需要对权重进行初始化，若使用迁移学习则不需进行权重初始化（需使用预训练模型中的权重作为深度神经网络的初始权重）1.吴恩达深度学习笔记(21)-神经网络的权重初始化为什么要随机初始化？
米亚123·2020-09-17 06:11

吴恩达深度学习笔记(54)-测试时的 Batch Norm

测试时的BatchNorm（BatchNormattesttime）Batch归一化将你的数据以mini-batch的形式逐一处理，但在测试时，你可能需要对每个样本逐一处理，我们来看一下怎样调整你的网络来做到这一点。回想一下，在训练时，这些就是用来执行Batch归一化的等式。在一个mini-batch中，你将mini-batch的z((i))值求和，计算均值，所以这里你只把一个mini-batch
极客Array·2020-09-17 02:38

理解mini-batch梯度下降法对loss的影响

核心思想：batchsize太大->loss很快平稳，batchsize太小->loss会震荡（需要理解mini-batch）根据吴恩达深度学习笔记中的内容总结mini-batch梯度下降法的作用和原理
wujieer96·2020-09-14 23:29

吴恩达深度学习笔记(41)-深度解析指数加权平均数

理解指数加权平均数（Understandingexponentiallyweightedaverages）上个笔记中，我们讲到了指数加权平均数，这是几个优化算法中的关键一环，而这几个优化算法能帮助你训练神经网络。本笔记中，我希望进一步探讨算法的本质作用。回忆一下这个计算指数加权平均数的关键方程。v_t=βv_(t-1)+(1-β)θ_t比如β=0.9的时候，得到的结果是红线，如果它更接近于1，比如
极客Array·2020-09-14 18:16

Adam优化算法原理详解（吴恩达深度学习笔记）

在介绍Adam之前首先介绍一下momentum和RMSprop优化算法。一、momentum1、指数加权平均数指数加权平均数不仅考虑了当前数值也涵盖了以前的数据对现在的影响。解释指数加权平均值名称的由来：指数加权平均值的应用：使用这种方法进行数据的估计可能不是最精确的，但是这种方法计算简单，节省内存。指数加权平均数因为设置的第0个值为0，所以对于前几个数都会出现严重的偏差，所以引入了偏差修正。2.
爱笑的李·2020-09-13 16:26

吴恩达深度学习笔记 course2 week3 超参数调试,Batch Norm,和程序框架

1.TuningProcess对超参数的一个调试处理一般而言,在调试超参数的过程中,我们通常将学习率learning_rate看作是最重要的一个超参数,其次是动量梯度下降因子β(一般为0.9),隐藏层单元个数,mini-batchsize,再然后是layers,learningratedecacy.当然,这并不是绝对的.在adam算法中,β1,β2,ε通常取值为0.9,0.999,10-8调试超参
banghu8816·2020-09-10 12:05

吴恩达深度学习笔记04——卷积神经网络1

一、计算机视觉计算机视觉（ComputerVision）的高速发展标志着新型应用产生的可能，例如自动驾驶、人脸识别、创造新的艺术风格。人们对于计算机视觉的研究也催生了很多机算机视觉与其他领域的交叉成果。一般的计算机视觉问题包括以下几类：图片分类（ImageClassification）；目标检测（Objectdetection）；神经风格转换（NeuralStyleTransfer）。应用计算机视
阿尔基亚·2020-08-26 23:59

吴恩达深度学习笔记(79)-池化层讲解（Pooling layers）

池化层（Poolinglayers）除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。先举一个池化层的例子，然后我们再讨论池化层的必要性。假如输入是一个4×4矩阵，用到的池化类型是最大池化（maxpooling）。执行最大池化的树池是一个2×2矩阵。执行过程非常简单，把4×4的输入拆分成不同的区域，我把这个区域用不同颜色来标记。对于2×2
极客Array·2020-08-23 07:41

吴恩达深度学习笔记（8）-重点-梯度下降法（Gradient Descent）

梯度下降法（GradientDescent）（重点）梯度下降法可以做什么？在你测试集上，通过最小化代价函数（成本函数）J(w,b)来训练的参数w和b，如图，在第二行给出和之前一样的逻辑回归算法的代价函数（成本函数）(上一篇文章已讲过）梯度下降法的形象化说明在这个图中，横轴表示你的空间参数w和b，在实践中，w可以是更高的维度，但是为了更好地绘图，我们定义w和b，都是单一实数，代价函数（成本函数）J(
极客Array·2020-08-21 18:35

吴恩达深度学习笔记(33)-带你进一步了解Dropout

理解dropout（UnderstandingDropout）Dropout可以随机删除网络中的神经单元，他为什么可以通过正则化发挥如此大的作用呢？直观上理解：不要依赖于任何一个特征，因为该单元的输入可能随时被清除，因此该单元通过这种方式传播下去，并为单元的四个输入增加一点权重，通过传播所有权重，dropout将产生收缩权重的平方范数的效果，和之前讲的L2正则化类似；实施dropout的结果实它会
极客Array·2020-08-19 01:07

吴恩达深度学习笔记(32)-Dropout正则化Dropout Regularization

dropout正则化（DropoutRegularization）除了L2正则化，还有一个非常实用的正则化方法——“Dropout（随机失活）”，我们来看看它的工作原理。假设你在训练上图这样的神经网络，它存在过拟合，这就是dropout所要处理的，我们复制这个神经网络，dropout会遍历网络的每一层，并设置消除神经网络中节点的概率。假设网络中的每一层，每个节点都以抛硬币的方式设置概率，每个节点得
极客Array·2020-08-19 00:52

吴恩达深度学习笔记(29)-神经网络训练的方差和偏差分析

这一节我们学习在神经网络学习训练时出现的结果进行分析，偏差和方差的表现和优化，仔细看好咯~偏差，方差（Bias/Variance）几乎所有机器学习从业人员都期望深刻理解偏差和方差，这两个概念易学难精，即使你自己认为已经理解了偏差和方差的基本概念，却总有一些意想不到的新东西出现。关于深度学习的误差问题，另一个趋势是对偏差和方差的权衡研究甚浅，你可能听说过这两个概念，但深度学习的误差很少权衡二者，我们
极客Array·2020-08-14 16:12

吴恩达深度学习笔记（五） —— 优化算法：Mini-Batch GD、Momentum、RMSprop、Adam、学习率衰减...

主要内容：一.Mini-BatchGradientdescent二.Momentum四.RMSprop五.Adam六.优化算法性能比较七.学习率衰减一.Mini-BatchGradientdescent1.一般地，有三种梯度下降算法：1）（Batch）GradientDescent，即我们平常所用的。它在每次求梯度的时候用上所有数据集，此种方式适合用在数据集规模不大的情况下。X=data_inpu
alince20008·2020-08-13 13:04

吴恩达深度学习笔记（十一）—— dropout正则化

主要内容：一、dropout正则化的思想二、dropout算法流程三、dropout的优缺点一、dropout正则化的思想在神经网络中，dropout是一种“玄学”的正则化方法，以减少过拟合的现象。它的主要思想就是：在训练神经网络的每一轮迭代中，随机地关闭一些神经元，以此降低神经网络的复杂程度：二、dropout算法流程1）对于第k层的结点，选择一个范围在(0,1]的数keep_prob，表明每一
alince20008·2020-08-13 13:04

吴恩达深度学习笔记（九） —— FaceNet

主要内容：一.FaceNet人脸识别简介二.使用神经网络对人脸进行编码三.代价函数tripleloss四.人脸库五.人脸认证与人脸识别一.FaceNet简介1.FaceNet是一个深层神经网络，它将人脸编码成一个含有128个数的向量。通过比较两张人脸编码后的向量，可以判定两张人脸是否属于同一个人。2.FaceNet的代价函数叫做“tripletlossfunction”，就是在训练的时候，一条训练
alince20008·2020-08-13 13:04

吴恩达深度学习笔记(105)-人脸识别之面部验证与二分类

https://www.toutiao.com/a6652895489354105351/面部验证与二分类（Faceverificationandbinaryclassification）Tripletloss是一个学习人脸识别卷积网络参数的好方法，还有其他学习参数的方法，让我们看看如何将人脸识别当成一个二分类问题。另一个训练神经网络的方法是选取一对神经网络，选取Siamese网络，使其同时计算这
喜欢打酱油的老鸟·2020-08-04 06:32

吴恩达深度学习笔记(55)-Softmax 回归（Softmax regression）

Softmax回归（Softmaxregression）到目前为止，我们讲到过的分类的例子都使用了二分分类，这种分类只有两种可能的标记0或1，这是一只猫或者不是一只猫，如果我们有多种可能的类型的话呢？有一种logistic回归的一般形式，叫做Softmax回归，能让你在试图识别某一分类时做出预测，或者说是多种分类中的一个，不只是识别两个分类，我们来一起看一下。假设你不单需要识别猫，而是想识别猫，狗
极客Array·2020-08-02 15:59

吴恩达深度学习笔记 2.6~2.9 logistic中的梯度下降

之前我们已经了解了CossFunction的定义,它是一个convex,所以我们能找到它的全局最优解,我们可以先可以先随便选取一组w,b,求得刚开始J(w,b)对w的偏导,用公式:我们可以对w进行更新,其中α为学习率,为梯度下降的步长,α越大,步长越大,同理也可以对b更新,最后经过一步步迭代,我们能够找到最优解使得CostFunction最小.逻辑回归中包含了正向传播和反向传播,用一个计算图来表示
banghu8816·2020-07-31 16:28

吴恩达深度学习笔记(68)-多任务学习

多任务学习（Multi-tasklearning）在迁移学习中，你的步骤是串行的，你从任务A里学习只是然后迁移到任务B。在多任务学习中，你是同时开始学习的，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。我们来看一个例子，假设你在研发无人驾驶车辆，那么你的无人驾驶车可能需要同时检测不同的物体，比如检测行人、车辆、停车标志，还有交通灯各种其他东西。比如在左边这个例子中，图
极客Array·2020-07-29 20:47

吴恩达深度学习笔记（4）-为什么深度学习会兴起？

为什么深度学习会兴起？(WhyisDeepLearningtakingoff?)本节视频主要讲了推动深度学习变得如此热门的主要因素。包括数据规模、计算量及算法的创新。(3个重点概念！请背书！）深度学习和神经网络之前的基础技术理念已经存在大概几十年了，为什么它们现在才突然流行起来呢？对啊，为什么？看过我之前文章：人工智能的冷落与兴起，那么你就会了解发展历程了，但是这个深度学习为什么会独引爆全场呢？本
极客Array·2020-07-29 15:08

吴恩达_深度学习概论

吴恩达深度学习笔记，不严谨之处还请斧正。2.什么是神经网络？由一个或多个参数输入信息经过算法计算、计算后结果输出的过程可以看做一个计算单元，可以比作神经元。
太和վ'ᴗ' ի·2020-07-28 23:42

卷积神经网络（CNN）之一维卷积、二维卷积、三维卷积详解

如果你对卷积维度的计算不清楚，可以参考我之前的博客吴恩达深度学习笔记（
星蕴w·2020-07-28 06:36

吴恩达深度学习笔记(43)-动量梯度下降法（Momentum）

动量梯度下降法（GradientdescentwithMomentum）还有一种算法叫做Momentum，或者叫做动量梯度下降法，运行速度几乎总是快于标准的梯度下降算法，简而言之，基本的想法就是计算梯度的指数加权平均数，并利用该梯度更新你的权重，在本笔记中，我们要一起拆解单句描述，看看你到底如何计算。例如，如果你要优化成本函数，函数形状如图，红点代表最小值的位置，假设你从这里（蓝色点）开始梯度下降
极客Array·2020-07-28 03:43

【Deeplearning.ai 】吴恩达深度学习笔记及课后作业目录

吴恩达深度学习课程的课堂笔记以及课后作业代码下载：https://github.com/douzujun/Deep-Learning-Coursera课程1-神经网络和深度学习周数名称类型地址week1深度学习简介测验略week2神经网络基础笔记逻辑回归逻辑回归推导具有神经网络思维的Logistic回归编程作业识别猫week3浅层神经网络笔记浅层神经网络带有一个隐藏层的平面数据分类编程作业平面数据
Douzi1024·2020-07-27 17:50

吴恩达深度学习笔记（五）

吴恩达深度学习笔记（五）自然语言处理NLP：序列模型循环神经网络RNN自然语言处理与词嵌入序列模型和注意力机制序列模型编程作业自然语言处理NLP：序列模型循环神经网络RNN为什么选择序列模型？
love_pegy·2020-07-10 10:54

吴恩达深度学习笔记(35)-加快归一化的网络训练方法

归一化输入（Normalizinginputs）训练神经网络，其中一个加速训练的方法就是归一化输入。假设一个训练集有两个特征，输入特征为2维，归一化需要两个步骤：1.零均值2.归一化方差；我们希望无论是训练集和测试集都是通过相同的μ和σ^2定义的数据转换，这两个是由训练集得出来的。第一步是零均值化它是一个向量，x等于每个训练数据x减去μ，意思是移动训练集，直到它完成零均值化。第二步是归一化方差，注
极客Array·2020-07-07 07:01

吴恩达深度学习笔记(67)-迁移学习（Transfer learning)

迁移学习（Transferlearning）深度学习中，最强大的理念之一就是迁移学习，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，也许你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。我们来看看，假设你已经训练好一个图像识别神经网络，所以你首先用一个神经网络，并在
极客Array·2020-07-07 02:02

吴恩达深度学习笔记(49)-为超参数选择合适的范围

为超参数选择合适的范围（Usinganappropriatescaletopickhyperparameters）在上一个笔记中，你已经看到了在超参数范围中，随机取值可以提升你的搜索效率。但随机取值并不是在有效范围内的随机均匀取值，而是选择合适的标尺，用于探究这些超参数，这很重要。在这个笔记中，会教你怎么做。假设你要选取隐藏单元的数量n^([l])，假设你选取的取值范围是从50到100中某点，这种
极客Array·2020-07-06 09:14

吴恩达深度学习笔记(32)-Dropout正则化Dropout Regularization

dropout正则化（DropoutRegularization）除了L2正则化，还有一个非常实用的正则化方法——“Dropout（随机失活）”，我们来看看它的工作原理。假设你在训练上图这样的神经网络，它存在过拟合，这就是dropout所要处理的，我们复制这个神经网络，dropout会遍历网络的每一层，并设置消除神经网络中节点的概率。假设网络中的每一层，每个节点都以抛硬币的方式设置概率，每个节点得
极客Array·2020-07-05 07:40

吴恩达深度学习笔记(51)-归一化网络的激活函数（重要！）

归一化网络的激活函数（Normalizingactivationsinanetwork）在深度学习兴起后，最重要的一个思想是它的一种算法，叫做Batch归一化，由Sergeyloffe和ChristianSzegedy两位研究者创造。Batch归一化会使你的参数搜索问题变得很容易，使神经网络对超参数的选择更加稳定，超参数的范围会更加庞大，工作效果也很好，也会使你的训练更加容易，甚至是深层网络。让我
极客Array·2020-07-02 05:52

吴恩达深度学习笔记(27)-深度学习与大脑的区别

深度学习和大脑有什么关联性吗？回答是：关联不大。那么人们为什么会说深度学习和大脑相关呢？当你在实现一个神经网络的时候，那些公式是你在做的东西，你会做前向传播、反向传播、梯度下降法，其实很难表述这些公式具体做了什么，深度学习像大脑这样的类比其实是过度简化了我们的大脑具体在做什么，但因为这种形式很简洁，也能让普通人更愿意公开讨论，也方便新闻报道并且吸引大众眼球，但这个类比是非常不准确的。一个神经网络的
极客Array·2020-07-01 11:26

吴恩达深度学习笔记(70)-何时需要端到端的深度学习？

是否要使用端到端的深度学习？（Whethertouseend-to-endlearning?）假设你正在搭建一个机器学习系统，你要决定是否使用端对端方法，我们来看看端到端深度学习的一些优缺点，这样你就可以根据一些准则，判断你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。所以如果你有足够多的(x,y)数据，那么不管从x到y最适合的函数映射是什么
极客Array·2020-06-30 04:50

吴恩达深度学习笔记(第五课时)

title:吴恩达深度学习笔记(第五课时)categories:人工智能tags:nlpdate:2019-12-0516:22:04cover:https://www.github.com/OneJane
布丁和尚·2020-06-29 17:01

吴恩达深度学习笔记(第三课时)

title:吴恩达深度学习笔记(第三课时)date:2019-10-0916:38:16categories:人工智能tags:nlpcover:https://www.github.com/OneJane
布丁和尚·2020-06-29 17:59

吴恩达深度学习笔记(第四课时)

title:吴恩达深度学习笔记(第四课时)date:2019-12-0515:38:39categories:人工智能tags:nlpcover:https://www.github.com/OneJane
布丁和尚·2020-06-29 17:59

吴恩达深度学习笔记(第一课时)

title:吴恩达深度学习笔记(第一课时)date:2019-12-0418:03:25categories:人工智能tags:nlpcover:https://www.github.com/OneJane
布丁和尚·2020-06-29 17:27

吴恩达深度学习笔记-卷积神经网络

04.卷积神经网络第一周卷积神经网络1.1计算机视觉1.2边缘检测示例垂直边缘检测vertical1.3更多边缘检测内容边缘过渡水平边缘检测horizontal1.4padding问题：卷积后图片缩小；边缘信息丢失过滤器（卷积核）一般都为奇数（原因：1、可以对称填充；2、有中心点）输出行=n+2*p-f+1Valid卷积：不填充；Same卷积：填充要使输出行与输入行相等，即n+2*p-f+1=n那
小墨青·2020-06-25 07:42

吴恩达深度学习笔记(89)-迁移学习（Transfer Learning）

迁移学习（TransferLearning）如果你要做一个计算机视觉的应用，相比于从头训练权重，或者说从随机初始化权重开始，如果你下载别人已经训练好网络结构的权重，你通常能够进展的相当快，用这个作为预训练，然后转换到你感兴趣的任务上。计算机视觉的研究社区非常喜欢把许多数据集上传到网上，如果你听说过，比如ImageNet，或者MS_COCO，或者Pascal类型的数据集，这些都是不同数据集的名字，它
极客Array·2020-06-24 19:06

Momentum、RMSprop、Adam

吴恩达深度学习笔记要说Momentum、RMSprop、Adam这三个优化器就要先讲讲指数加权平均指数加权平均上图是一年中365天的温度变化指数加权平均的等式是：Vt=βVt-1+(1-β)θtθt代表第
lx127372·2020-06-24 10:40

吴恩达深度学习笔记02——改善深层神经网络1深度学习的实用层面

一、数据划分：训练/验证/测试集应用深度学习是一个典型的迭代过程。对于一个需要解决的问题的样本数据，在建立模型的过程中，数据会被划分为以下几个部分：训练集（trainset）：用训练集对算法或模型进行训练过程；验证集（developmentset）：利用验证集（又称为简单交叉验证集，hold-outcrossvalidationset）进行交叉验证，选择出最好的模型；测试集（testset）：最后
阿尔基亚·2020-06-23 08:34

吴恩达深度学习笔记(38)-优化算法(Optimization algorithms)

Mini-batch梯度下降（Mini-batchgradientdescent）本周将学习优化算法，这能让你的神经网络运行得更快。机器学习的应用是一个高度依赖经验的过程，伴随着大量迭代的过程，你需要训练诸多模型，才能找到合适的那一个，所以，优化算法能够帮助你快速训练模型。其中一个难点在于，深度学习没有在大数据领域发挥最大的效果，我们可以利用一个巨大的数据集来训练神经网络，而在巨大的数据集基础上进
极客Array·2020-06-23 05:48

吴恩达深度学习笔记(65)-误差分析Carrying out error analysis

进行误差分析（Carryingouterroranalysis）你希望让学习算法能够胜任人类能做的任务，但你的学习算法还没有达到人类的表现，那么人工检查一下你的算法犯的错误也许可以让你了解接下来应该做什么。这个过程称为错误分析，我们从一个例子开始讲吧。假设你正在调试猫分类器，然后你取得了90%准确率，相当于10%错误，在你的开发集上做到这样，这离你希望的目标还有很远。也许你的队员看了一下算法分类出
极客Array·2020-06-23 04:34

吴恩达深度学习笔记 course2 week3作业

TensorFlowTutorialWelcometothisweek'sprogrammingassignment.Untilnow,you'vealwaysusednumpytobuildneuralnetworks.Nowwewillstepyouthroughadeeplearningframeworkthatwillallowyoutobuildneuralnetworksmoreeas
banghu8816·2020-06-22 17:30

吴恩达深度学习笔记（十） —— 神经风格迁移

主要内容：一.神经风格迁移简介二.计算contentcost三.计算stylecost一.神经风格迁移简介1.神经风格迁移（NeuralStyleTransfer），简称为NST，就是以一张图为内容基础，以另一张图为风格基础，生成一张新的图：2.NST使用一张已经训练好的神经网络VGGnetwork作为算法的基础。可知神经网络的浅层学习一些比较低级的特征诸如边界和纹理的等，深层学些一些复杂抽象的特
alince20008·2020-06-22 13:05

吴恩达深度学习笔记（二）—— 深层神经网络的训练过程

主要内容：一.初始化参数二.前向传播三.计算代价函数四.反向传播五.更新参数（梯度下降）一.初始化参数1.由于将参数W初始化为0会导致神经网络失效，因而需要对W进行随机初始化。一般的做法是用np.random.np()生成一个高斯分布的数，然后再乘上一个很小的数比如0.01，以限制它的范围。所以可知W的初始值是一个很小的数（绝对值小），那为什么不能取绝对值较大的数呢？根据sigmoid或者tanh
alince20008·2020-06-22 13:33

吴恩达深度学习笔记（一） —— 神经网络简介

相关博客：吴恩达机器学习笔记（四）——BP神经网络（里面出现的内容，下面将不再重复）主要内容：一.单个样本向量化二.多个样本向量化三.激活函数及其导数四.随机初始化五.深层神经网络的前向与反向传播六.参数和超参数一.单个样本向量化如下神经网络，对于第一层的神经元，每个神经元的输出，即a的计算如下：但是这种每个神经元的输出都单独计算的方式显得很繁琐，至少在写代码的时候就很容易出错。为了简化表示和提高
alince20008·2020-06-22 13:33

吴恩达深度学习笔记12-Course4-Week3【目标检测】

目标检测（Objectdetection）一、目标定位（ObjectLocalization）图像识别的三个层次：图像分类：判断图像中是否包含某一类物体，并且假定每张图像只有一个目标。目标定位：既要图像分类，还要输出这个目标位置。目标检测：检测出图像包含的所有感兴趣的目标，并定位。目标定位：需要修改输出层的结构，和数据集的标签。输出层不仅要输出各类别的概率，还要输出目标的位置坐标。损失函数和标签：
Wang_Jiankun·2020-06-22 08:23

吴恩达深度学习笔记1-Course1-Week1【深度学习概论】

2018.5.7吴恩达深度学习视频教程网址网易云课堂：https://mooc.study.163.com/smartSpec/detail/1001319001.htmCoursera：https://www.coursera.org/learn/neural-networks-deep-learningPS：网易云上不提供测验和作业，Cousera上有。深度学习概论：本篇主要关于深度学习的一些
Wang_Jiankun·2020-06-22 08:52

吴恩达深度学习笔记——深度卷积网络：实例探究

第二周深度卷积网络：实例探究（Deepconvolutionalmodels:casestudies）2.2经典网络（Classicnetworks）这节课，我们来学习几个经典的神经网络结构，分别是LeNet-5、AlexNet和VGGNet，开始吧。LeNet-5的网络结构2.3残差网络（ResidualNetworks(ResNets)）非常非常深的神经网络是很难训练的，因为存在梯度消失和梯度
SCS199411·2020-06-22 04:45
上一页 1 2 3 4 5 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他