吴恩达深度学习笔记

吴恩达深度学习笔记——超参数调试、Batch正则化和程序框架

第三周超参数调试、Batch正则化和程序框架（Hyperparametertuning）3.1调试处理（Tuningprocess）结果证实一些超参数比其它的更为重要，α\alphaα无疑是最重要的，接下来是我用橙色圈住的那些，然后是我用紫色圈住的那些，但这不是严格且快速的标准。在早一代的机器学习算法中，如果你有两个超参数，这里我会称之为超参1，超参2，常见的做法是在网格中取样点，像这样，然后系统
SCS199411·2020-06-22 04:14

吴恩达深度学习笔记——改善深层神经网络：超参数调试、正则化以及优化

第二门课改善深层神经网络：超参数调试、正则化以及优化1.1训练，验证，测试集（Train/Dev/Testsets）应用深度学习是一个典型的迭代过程，需要多次循环往复，才能为应用程序找到一个称心的神经网络，因此循环该过程的效率是决定该项目进展速度的一个关键因素，而创造高质量的训练数据集，验证集和测试集也有助于提高循环效率。在机器学习发展的小数据量时代，常见做法是将所有数据三七分，就是人们常说的70
SCS199411·2020-06-22 04:13

吴恩达深度学习笔记——优化算法

第二周：优化算法(Optimizationalgorithms)2.1Mini-batch梯度下降（Mini-batchgradientdescent）假设有500万个样本，batch_size=1000，也就是每次训练1000个样本，总共有5000个mini_batch。5000次迭代遍历一遍数据集中的所有样本，也是一个epoch。2.2理解mini-batch梯度下降法（Understandi
SCS199411·2020-06-22 04:13

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·2020-06-21 21:56

吴恩达深度学习笔记(30)-正则化的解释

正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
极客Array·2020-06-21 21:56

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·2020-06-21 21:56

吴恩达深度学习笔记(40)-指数加权平均数优化算法

指数加权平均数（Exponentiallyweightedaverages）我想向你展示几个优化算法，它们比梯度下降法快，要理解这些算法，你需要用到指数加权平均，在统计中也叫做指数加权移动平均，我们首先讲这个，然后再来讲更复杂的优化算法。虽然现在恩达老师生活在美国，实际上恩达老师生于英国伦敦。比如这儿有去年伦敦的每日温度，所以1月1号，温度是40华氏度，相当于4摄氏度。世界上大部分地区使用摄氏度，
极客Array·2020-06-21 15:34

吴恩达深度学习笔记(第二课时)

title:吴恩达深度学习笔记(第二课时)date:2019-12-0514:22:21categories:人工智能tags:nlpcover:https://www.github.com/OneJane
布丁和尚·2020-06-21 13:16

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·2020-06-21 06:48

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

吴恩达深度学习笔记(81)-为什么使用卷积？（Whyconvolutions?）为什么使用卷积？（Whyconvolutions?）
平头哥pentougu·2020-06-09 23:56

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·2020-04-14 01:28

吴恩达深度学习笔记(52)-将 Batch Norm 拟合进神经网络

BatchNorm拟合进神经网络（FittingBatchNormintoaneuralnetwork）你已经看到那些等式，它可以在单一隐藏层进行Batch归一化，接下来，让我们看看它是怎样在深度网络训练中拟合的吧。假设你有一个这样的神经网络，我之前说过，你可以认为每个单元负责计算两件事。第一，它先计算z，然后应用其到激活函数中再计算a，所以我可以认为，每个圆圈代表着两步的计算过程。同样的，对于下
极客Array·2020-04-12 09:36

吴恩达深度学习笔记(26)-神经网络中的参数和超参数

参数VS超参数（ParametersvsHyperparameters）想要你的深度神经网络起很好的效果，你还需要规划好你的参数以及超参数。什么是超参数？比如算法中的learningratea（学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n^([l])（隐藏层单元数目）、choiceofactivationfunction（激活函数的选择）都需要你来设置，这些数字实际
极客Array·2020-04-08 02:21

吴恩达深度学习笔记(39)-更进一步理解mini-batch梯度下降法

理解mini-batch梯度下降法（Understandingmini-batchgradientdescent）在上一个笔记中，你知道了如何利用mini-batch梯度下降法来开始处理训练集和开始梯度下降，即使你只处理了部分训练集，即使你是第一次处理，本笔记中，我们将进一步学习如何执行梯度下降法，更好地理解其作用和原理。使用batch梯度下降法时，每次迭代你都需要历遍整个训练集，可以预期每次迭代
极客Array·2020-04-07 02:21

吴恩达深度学习笔记(58)-深度学习框架Tensorflow

TensorFlow有很多很棒的深度学习编程框架，其中一个是TensorFlow，很期待帮助你开始学习使用TensorFlow，我想在这个笔记中向你展示TensorFlow程序的基本结构，然后让你自己练习，学习更多细节先提一个启发性的问题，假设你有一个损失函数J需要最小化，在本例中，我将使用这个高度简化的损失函数，Jw=w^2-10w+25，这就是损失函数，也许你已经注意到该函数其实就是(w-5)
极客Array·2020-04-01 17:35

吴恩达深度学习笔记(19)-非线性激活函数的作用

为什么需要非线性激活函数？（whyneedanonlinearactivationfunction?）为什么神经网络需要非线性激活函数？事实证明：要让你的神经网络能够计算出有趣的函数，你必须使用非线性激活函数，证明如下：这是神经网络正向传播的方程（看图中公式）现在我们去掉函数g，然后令a^([1])=z^([1])，或者我们也可以令g(z)=z，这个有时被叫做线性激活函数（更学术点的名字是恒等激励
极客Array·2020-02-12 02:02

吴恩达深度学习笔记(83)-LeNet-5、AlexNet和VGGNet网络知多少

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。LeNet-5首先看看LeNet-5的网络结构，假设你有一张32×32×1的图片，LeNet-5可以识别图中的手写数字，比如像这样手写数字7。LeNet-5是针对灰度图片训练的，所以图片的大小只有32×32×1。实际上LeNet-5的结构和我们上周讲的最后一个范例
极客Array·2020-02-09 15:00

吴恩达深度学习笔记(46)-学习率衰减优化(Learning rate decay)

学习率衰减(Learningratedecay)加快学习算法的一个办法就是随时间慢慢减少学习率，我们将之称为学习率衰减，我们来看看如何做到，首先通过一个例子看看，为什么要计算学习率衰减。假设你要使用mini-batch梯度下降法，mini-batch数量不大，大概64或者128个样本，在迭代过程中会有噪音（蓝色线），下降朝向这里的最小值，但是不会精确地收敛，所以你的算法最后在附近摆动，并不会真正收
极客Array·2019-12-19 09:31

2019-12-02 吴恩达深度学习笔记：迁移学习、多任务学习、端到端学习

一、迁移学习1.Finetune在一个数据集上训练完神经网络后（pre_training预训练），在另一个数据集上再训练再训练方法：1）前面的层不动（冻结），重新初始化最后一层的权重，并把y值改为新数a据的y，然后训练最后一层2）前面的层不动（冻结），删除最后一层，在后面加入新的几层，并把y值改为新数据的y，然后训练新加入的几层如果数据量较充足的情况下，以上方法前面的层也可以重新训练，可以使用之前
Yuyao_b2c0·2019-12-02 11:35

吴恩达深度学习笔记

激活函数比较：1、sigmoid函数除非在二元类输出层，不然千万不要用。g‘（z）=g(z)*(1-g(z))---------a(1-a)2、tanh函数几乎在各种情况下都可以用。g'(z)=1-(g(z))**2---------------1-a**23、ReLU函数是默认的函数。ifz0g'(z)=14、泄漏的ReLU函数。g(z)=max(0.01z,z)ifz=0g'(z)=1dj简单
夜深人语寂·2019-11-07 23:27

deep_learning_Dropout

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
醉画仙·2019-09-28 16:00

AI学习初期的【网址】

吴恩达深度学习笔记以及代码作业：https://github.com/HuangCongQing/deeplearning.ai-note推荐大家上github这个项目，问答作业和编程作业比较全，版式也很工整
509728263·2019-09-08 03:05

吴恩达深度学习笔记

深度学习视频总结2.02（红色为小标题，蓝色比较重要）第四讲第二周(4.2.1)为什么要进行实例探究(4.2.2)经典网络LeNet-5网络当时还没有padding,所以图片在卷积过程当中越来越小；也没有ReLu函数，当时这个例子用的是sigmoid函数。超级参数不是很多。这个典型的网络有padding，使用的是ReLU函数。超级参数也比较多。卷积核大小确定为3*3，池化层的超级参数也确定了，步幅
秀猪儿·2019-05-10 17:32

吴恩达深度学习笔记(100)-目标检测之YOLO 算法讲解

YOLO算法（Puttingittogether:YOLOalgorithm）你们已经学到对象检测算法的大部分组件了，在这个笔记里，我们会把所有组件组装在一起构成YOLO对象检测算法。我们先看看如何构造你的训练集，假设你要训练一个算法去检测三种对象，行人、汽车和摩托车，你还需要显式指定完整的背景类别。这里有3个类别标签，如果你要用两个anchorbox，那么输出y就是3×3×2×8，其中3×3表示
极客Array·2019-03-25 11:13

吴恩达深度学习笔记(100)-目标检测之YOLO 算法讲解

YOLO算法（Puttingittogether:YOLOalgorithm）你们已经学到对象检测算法的大部分组件了，在这个笔记里，我们会把所有组件组装在一起构成YOLO对象检测算法。我们先看看如何构造你的训练集，假设你要训练一个算法去检测三种对象，行人、汽车和摩托车，你还需要显式指定完整的背景类别。这里有3个类别标签，如果你要用两个anchorbox，那么输出y就是3×3×2×8，其中3×3表示
极客Array·2019-03-25 11:13

吴恩达深度学习笔记(99)-目标检测之Anchor Boxes

AnchorBoxes到目前为止，对象检测中存在的一个问题是每个格子只能检测出一个对象，如果你想让一个格子检测出多个对象，你可以这么做，就是使用anchorbox这个概念。我们还是先吃一颗栗子：假设你有这样一张图片，对于这个例子，我们继续使用3×3网格，注意行人的中点和汽车的中点几乎在同一个地方，两者都落入到同一个格子中。所以对于那个格子，如果y输出这个向量y你可以检测这三个类别，行人、汽车和摩托
极客Array·2019-03-24 19:27

吴恩达深度学习笔记(99)-目标检测之Anchor Boxes

AnchorBoxes到目前为止，对象检测中存在的一个问题是每个格子只能检测出一个对象，如果你想让一个格子检测出多个对象，你可以这么做，就是使用anchorbox这个概念。我们还是先吃一颗栗子：假设你有这样一张图片，对于这个例子，我们继续使用3×3网格，注意行人的中点和汽车的中点几乎在同一个地方，两者都落入到同一个格子中。所以对于那个格子，如果y输出这个向量y你可以检测这三个类别，行人、汽车和摩托
极客Array·2019-03-24 19:27

吴恩达深度学习笔记(98)-目标检测之NMS非极大值抑制11

非极大值抑制（Non-maxsuppression）到目前为止你们学到的对象检测中的一个问题是，你的算法可能对同一个对象做出多次检测，所以算法不是对某个对象检测出一次，而是检测出多次。非极大值抑制这个方法可以确保你的算法对每个对象只检测一次.来，我们吃一颗栗子：假设你需要在这张图片里检测行人和汽车，你可能会在上面放个19×19网格，理论上这辆车只有一个中点，所以它应该只被分配到一个格子里，左边的车
极客Array·2019-03-23 12:52

吴恩达深度学习笔记(97)-目标检测之IOU交并比

交并比（Intersectionoverunion）你如何判断对象检测算法运作良好呢？在本笔记中，你将了解到并交比函数，可以用来评价对象检测算法。在下一个笔记中，我们用它来插入一个分量来进一步改善检测算法，我们开始吧。在对象检测任务中，你希望能够同时定位对象，所以如果实际边界框是这样的，你的算法给出这个紫色的边界框，那么这个结果是好还是坏？所以交并比（loU）函数做的是计算两个边界框交集和并集之比
极客Array·2019-03-23 00:46

吴恩达深度学习笔记(97)-目标检测之IOU交并比

交并比（Intersectionoverunion）你如何判断对象检测算法运作良好呢？在本笔记中，你将了解到并交比函数，可以用来评价对象检测算法。在下一个笔记中，我们用它来插入一个分量来进一步改善检测算法，我们开始吧。在对象检测任务中，你希望能够同时定位对象，所以如果实际边界框是这样的，你的算法给出这个紫色的边界框，那么这个结果是好还是坏？所以交并比（loU）函数做的是计算两个边界框交集和并集之比
极客Array·2019-03-23 00:46

吴恩达深度学习笔记(96)-目标检测之Bounding Box预测

BoundingBox预测（Boundingboxpredictions）在上一篇笔记中，你们学到了滑动窗口法的卷积实现，这个算法效率更高，但仍然存在问题，不能输出最精准的边界框。在这个笔记中，我们看看如何得到更精准的边界框。在滑动窗口法中，你取这些离散的位置集合，然后在它们上运行分类器，在这种情况下，这些边界框没有一个能完美匹配汽车位置，也许这个框（编号1）是最匹配的了。还有看起来这个真实值，最
极客Array·2019-03-20 08:42

吴恩达深度学习笔记(96)-目标检测之Bounding Box预测

BoundingBox预测（Boundingboxpredictions）在上一篇笔记中，你们学到了滑动窗口法的卷积实现，这个算法效率更高，但仍然存在问题，不能输出最精准的边界框。在这个笔记中，我们看看如何得到更精准的边界框。在滑动窗口法中，你取这些离散的位置集合，然后在它们上运行分类器，在这种情况下，这些边界框没有一个能完美匹配汽车位置，也许这个框（编号1）是最匹配的了。还有看起来这个真实值，最
极客Array·2019-03-20 08:42

吴恩达深度学习笔记——循环神经网络（RNN）

目录一、为什么使用序列模型（Whysequencemodels）二、数学符号（Notation）三、循环神经网络（Recurrentneuralnetwork）四、通过时间的反向传播（Backpropagationthroughtime）五、不同类型的循环神经网络（DifferenttypesofRNNs）六、语言模型和序列生成（Languagemodelandsequencegeneration
AngelaOrange·2019-03-19 21:00

吴恩达深度学习笔记——卷积神经网络（CNN）

目录一、计算机视觉（Computervision）二、边缘检测示例（Edgedetectionexample）三、更多的边缘检测内容（Moreedgedetection）四、Padding五、卷积步长（Stridedconvolution）六、三维卷积（Convolutionovervolumes）七、单层卷积网络（Onelayerofaconvolutionnetwork）八、简单卷积网络示例（
AngelaOrange·2019-03-19 18:29

吴恩达深度学习笔记(95)-目标检测之卷积网络滑动窗口实现

卷积的滑动窗口实现（Convolutionalimplementationofslidingwindows）上节笔记，我们学习了如何通过卷积网络实现滑动窗口对象检测算法，但效率很低。这节课我们讲讲如何在卷积层上应用这个算法。为了构建滑动窗口的卷积应用，首先要知道如何把神经网络的全连接层转化成卷积层。我们先讲解这部分内容，下一张图，我们将按照这个思路来演示卷积的应用过程。假设对象检测算法输入一个14
极客Array·2019-03-17 15:43

吴恩达深度学习笔记(95)-目标检测之卷积网络滑动窗口实现

卷积的滑动窗口实现（Convolutionalimplementationofslidingwindows）上节笔记，我们学习了如何通过卷积网络实现滑动窗口对象检测算法，但效率很低。这节课我们讲讲如何在卷积层上应用这个算法。为了构建滑动窗口的卷积应用，首先要知道如何把神经网络的全连接层转化成卷积层。我们先讲解这部分内容，下一张图，我们将按照这个思路来演示卷积的应用过程。假设对象检测算法输入一个14
极客Array·2019-03-17 15:43

吴恩达深度学习笔记(94)-目标检测之检测算法

目标检测（Objectdetection）学过了对象定位和特征点检测，今天我们来构建一个对象检测算法。这节课，我们将学习如何通过卷积网络进行对象检测，采用的是基于滑动窗口的目标检测算法。假如你想构建一个汽车检测算法，步骤是(以上图为例），首先创建一个标签训练集，也就是x和y表示适当剪切的汽车图片样本，这张图片（编号1）x是一个正样本，因为它是一辆汽车图片，这几张图片（编号2、3）也有汽车，但这两张
极客Array·2019-03-16 22:21

吴恩达深度学习笔记(94)-目标检测之检测算法

目标检测（Objectdetection）学过了对象定位和特征点检测，今天我们来构建一个对象检测算法。这节课，我们将学习如何通过卷积网络进行对象检测，采用的是基于滑动窗口的目标检测算法。假如你想构建一个汽车检测算法，步骤是(以上图为例），首先创建一个标签训练集，也就是x和y表示适当剪切的汽车图片样本，这张图片（编号1）x是一个正样本，因为它是一辆汽车图片，这几张图片（编号2、3）也有汽车，但这两张
极客Array·2019-03-16 22:21

吴恩达深度学习笔记(93)-目标检测之特征点检测

特征点检测（Landmarkdetection）上节课，我们讲了如何利用神经网络进行对象定位，即通过输出四个参数值b_x、b_y、b_h和b_w给出图片中对象的边界框。更概括地说，神经网络可以通过输出图片上特征点的(x,y)坐标来实现对目标特征的识别，我们看几个例子。假设你正在构建一个人脸识别应用，出于某种原因，你希望算法可以给出眼角的具体位置。眼角坐标为(x,y)，你可以让神经网络的最后一层多输
极客Array·2019-03-14 18:04

吴恩达深度学习笔记(93)-目标检测之特征点检测

特征点检测（Landmarkdetection）上节课，我们讲了如何利用神经网络进行对象定位，即通过输出四个参数值b_x、b_y、b_h和b_w给出图片中对象的边界框。更概括地说，神经网络可以通过输出图片上特征点的(x,y)坐标来实现对目标特征的识别，我们看几个例子。假设你正在构建一个人脸识别应用，出于某种原因，你希望算法可以给出眼角的具体位置。眼角坐标为(x,y)，你可以让神经网络的最后一层多输
极客Array·2019-03-14 18:04

吴恩达深度学习笔记(92)-目标检测之目标定位

这一周我们学习的主要内容是对象检测，它是计算机视觉领域中一个新兴的应用方向，相比前两年，它的性能越来越好。在构建对象检测之前，我们先了解一下对象定位，首先我们看看它的定义。图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节课我们要学习构建神经网络的另一个问题，即定位分类问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用
极客Array·2019-03-13 18:08

吴恩达深度学习笔记(92)-目标检测之目标定位

这一周我们学习的主要内容是对象检测，它是计算机视觉领域中一个新兴的应用方向，相比前两年，它的性能越来越好。在构建对象检测之前，我们先了解一下对象定位，首先我们看看它的定义。图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节课我们要学习构建神经网络的另一个问题，即定位分类问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用
极客Array·2019-03-13 18:08

吴恩达深度学习笔记(61)-训练调参中的准确率和召回率

单一数字评估指标（Singlenumberevaluationmetric）无论你是调整超参数，或者是尝试不同的学习算法，或者在搭建机器学习系统时尝试不同手段，你会发现，如果你有一个单实数评估指标，你的进展会快得多，它可以快速告诉你，新尝试的手段比之前的手段好还是差。所以当团队开始进行机器学习项目时，我经常推荐他们为问题设置一个单实数评估指标。我们来看一个例子，你之前听过我说过，应用机器学习是一个
极客Array·2019-02-19 22:05

吴恩达深度学习笔记(78)-简单卷积网络示例

上节课，我们讲了如何为卷积网络构建一个卷积层。今天我们看一个深度卷积神经网络的具体示例，顺便练习一下我们上节课所学的标记法。假设你有一张图片，你想做图片分类或图片识别，把这张图片输入定义为x，然后辨别图片中有没有猫，用0或1表示，这是一个分类问题，我们来构建适用于这项任务的卷积神经网络。针对这个示例，我用了一张比较小的图片，大小是39×39×3，这样设定可以使其中一些数字效果更好。所以n_H^([
极客Array·2019-02-17 18:24

吴恩达深度学习笔记(60)-深度学习中的正交化

正交化（Orthogonalization）搭建建立机器学习系统的挑战之一是，你可以尝试和改变的东西太多太多了。包括，比如说，有那么多的超参数可以调。我留意到，那些效率很高的机器学习专家有个特点，他们思维清晰，对于要调整什么来达到某个效果，非常清楚，这个步骤我们称之为正交化，让我告诉你是什么意思吧。这是一张老式电视图片，有很多旋钮可以用来调整图像的各种性质，所以对于这些旧式电视，可能有一个旋钮用来
极客Array·2019-02-15 13:13

吴恩达深度学习笔记(59)-什么是机器学习策略？

什么是ML策略？（WhyMLStrategy?）如何构建你的机器学习项目也就是说机器学习的策略。我希望通过这门课程你们能够学到如何更快速高效地优化你的机器学习系统。那么，什么是机器学习策略呢？我们从一个启发性的例子开始讲，假设你正在调试你的猫分类器，经过一段时间的调整，你的系统达到了90%准确率，但对你的应用程序来说还不够好。你可能有很多想法去改善你的系统，比如，你可能想我们去收集更多的训练数据吧
极客Array·2019-02-15 13:57

吴恩达深度学习笔记(74)-Padding（填充）原理讲解

Padding为了构建深度神经网络，你需要学会使用的一个基本的卷积操作就是padding，让我们来看看它是如何工作的。我们在之前笔记中看到，如果你用一个3×3的过滤器卷积一个6×6的图像，你最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为你的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，如果我们有一个n×n的图像，用f×f的过滤器做卷积，那么输出的维度就是(
极客Array·2019-02-13 23:54

吴恩达深度学习笔记(73)-更多的边缘检测方法

更多边缘检测内容（Moreedgedetection）你已经见识到用卷积运算实现垂直边缘检测，在本笔记中，你将学习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。你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，让我们开始吧。还是上一个笔记中的例子，这张6×6的图片，左边较亮，而右边较暗，将它与垂直边缘检测滤波器进行卷积，检测结
极客Array·2019-02-12 23:45

吴恩达深度学习笔记(72)-卷积网络的边缘检测

边缘检测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。在这个笔记中，你会看到卷积是如何进行运算的。在之前的笔记中，我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。在这个视频中，你会看到如何在一张图片中进行边缘检测。让我们举个例子，给了这样一张图片，让电脑去搞清楚这张照片里有什么物体，你可能
极客Array·2019-02-12 08:26

吴恩达深度学习笔记(71)-带你了解计算机视觉（Computer vision）

计算机视觉（Computervision）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，你们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。当你解锁了手机，我猜手机上一定有很多分享图片的应用。在上面，你能看到美食，酒店或美丽风景的图片。有些公司在这些应用上使用了深度
极客Array·2019-02-11 20:58
上一页 1 2 3 4 5 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他