吴恩达深度学习

关于tensorflow

对于tensorflow感到十分的烦恼1.x的函数在2.0以上版本中不适用2.0的代码变的简洁可同时网上大量教程和代码作业是由1.x的进行编写就会遇到很多困难很烦没有好的tf2的教程没有tf2版本的吴恩达深度学习作业的编程很烦
想守护令人心疼的美好·2022-09-26 11:21

吴恩达深度学习学习笔记——C2W3——超参数调试、Batch正则化和程序框架——作业——Tensorflow入门及使用Tensorflow构建第一个神经网络

这里主要梳理一下作业的主要内容和思路，完整作业文件可参考:https://github.com/pandenghuang/Andrew-Ng-Deep-Learning-notes/tree/master/assignments/C2W3作业完整截图，参考本文结尾：作业完整截图。作业目录：TensorFlowTutorial（Tensorflow教程）Welcometothisweek'sprog
预见未来to50·2022-09-26 11:18

【深度学习】吴恩达深度学习-Course1神经网络与深度学习-第三周浅层神经网络作业

视频链接：【中英字幕】吴恩达深度学习课程第一课—神经网络与深度学习本文题目来源：【中英】【吴恩达课后测验】Course1-神经网络和深度学习-第三周测验目录英文习题中文习题答案英文习题1.Whichofthefollowingaretrue
passer__jw767·2022-09-14 07:54

吴恩达深度学习笔记（四）

吴恩达深度学习笔记（四）卷积神经网络CNN-第二版卷积神经网络深度卷积网络：实例探究目标检测特殊应用：人脸识别和神经风格转换卷积神经网络编程作业卷积神经网络CNN-第二版卷积神经网络更新部分：1.122.82.92.103.113.123.133.14
love_lqz·2022-09-11 07:23

吴恩达深度学习笔记——卷积神经网络（Convolutional Neural Networks）

深度学习笔记导航前言传送门卷积神经网络（ConvolutionalNeuralNetworks）卷积神经网络基础(FoundationsofConvolutionalNeuralNetworks)概述标记约定（notations）：卷积神经网络一般架构卷积层(Convolution)卷积运算概述卷积运算的原理卷积玩法——填充边界（Padding）卷积玩法——步长控制（StridedConvolut
亦梦亦醒乐逍遥·2022-09-10 07:30

吴恩达深度学习笔记（四）——深度学习的实践层面

一、数据集的划分要确保验证集和测试集的数据来自同一分布。二、偏差和方差方差：训练集和验证集的数据分布是否均匀，训练集和验证集之间的差别；偏差：训练集和真实结果的差别。高偏差：欠拟合高方差：过拟合理解偏差和方差的两个关键数据是训练集误差（Trainseterror）和验证集误差（Devseterror）。这里沿用的仍然是猫咪图片分类的例子：三、机器学习基础解决高方差：扩充数据集、正则化、或者其他模型
子非鱼icon·2022-09-04 07:43

吴恩达深度学习 5.1 序列模型-循环神经网络

1.知识点：序列模型的应用：语音识别：输入的语音和输出的文本，都是序列数据。音乐生成：生成的音乐乐谱是序列数据。情感分类：将输入的评论转换为相应的评价等级。输入是序列。机器翻译：两种不同语言之间的转换。输入和输出都是序列。视频行为识别：识别输入的视频帧序列中的人物行为。命名实体识别：从输入的句子中识别实体的名字。符号定义：输入x：输入序列，如，“Asnowyear,arichyear”。表示输入序
垚焱焱·2022-09-03 19:46

吴恩达深度学习 1.3神经网络和深度学习-浅层神经网络

1.知识点：神经网络的表示：输入层、隐藏层、输出层(应该用上标表示神经网络的层，上面手写的不规范)的维度，以为例，应为（4,3），4为隐藏层神经元的个数，3为输入层神经元的个数。神经网络的梯度下降法参数：输入层元素个数：隐藏层神经元个数：输出层神经元个数：的维度应为（）,以实现W可以和i-1层神经元进行运算，并得到i层神经元个数。参数和中间变量的偏导数，吴恩达老师给出了公式。其推导过程和逻辑回归相
垚焱焱·2022-09-03 19:15

Python吴恩达深度学习作业18 -- 手把手实现循环神经网络（RNN）

手把手实现循环神经网络在此作业中，你将使用numpy实现你的第一个循环神经网络。循环神经网络（RNN）在解决自然语言处理和其他序列任务上非常有效，因为它们具有“记忆”，可以一次读取一个输入xx^{}x（例如单词），并通过从一个时间步传递到下一个时间步的隐藏层激活来记住一些信息/上下文。这使得单向RNN可以提取过去的信息以处理之后的输入。双向RNN则可以借鉴过去和未来的上下文信息。符号：上标[l][
Puzzle harvester·2022-09-03 19:44

【吴恩达深度学习编程作业】4.1卷积神经网络——搭建卷积神经网络模型以及应用

参考文章：搭建卷积神经网络以及应用神经网络的底层搭建实现一个拥有卷积层CONV和池化层POOL的网络，包含前向和反向传播CONV模块包括：使用0扩充边界：没有缩小高度和宽度；保留边界的更多信息卷积窗口前向卷积反向卷积POOL模块包括：前向池化创建掩码值分配反向池化main.pyimportnumpyasnpimportmatplotlib.pyplotaspltplt.rcParams['figu
贪钱算法还我头发·2022-09-03 19:13

【吴恩达深度学习编程作业】5.1序列模型——搭建循环神经网络及其应用

参考文章：序列模型——搭建循环神经网络及其应用这周的编程作业好难啊，明明原理都懂的一实践就完蛋，模棱两可的码了好久。问题：在执行LSTM网络即兴演奏爵士乐代码时出现了AssertError，我将preprocess.py文件第110行的assertlen(chords)==len(measures)注释掉了，加了一行delmeasures[len(measures)-1]，并将preprocess
贪钱算法还我头发·2022-09-03 19:42

吴恩达深度学习--搭建循环神经网络及其应用

本文主要参考了严宽大神的学习笔记，并在其基础上补充了一点内容，点此查看原文。一、搭建循环神经网络循环神经网络（RNN）对于自然语言处理和其他序列任务非常有效，因为它们具有”记忆“功能。它们可以一次读取一个输入x(t)x^{(t)}x(t)（如单词），并且通过隐藏层激活从一个时间步传递到下一个时间步来记住一些信息/上下文，这允许单向RNN从过去获取信息来处理后面的输入，双向RNN可以从过去和未来中获
女又力·2022-09-03 19:41

6.吴恩达深度学习--深度卷积模型：案例研究

本文主要参考了严宽大神的学习笔记，并在其基础上补充了一点内容，点此查看原文。一、Keras入门-笑脸识别本次我们将：学习到一个高级的神经网络的框架看看如何在几个小时内建立一个深入的学习算法Keras是为了使深度学习工程师能够很快地建立和实验不同的模型的框架，正如TensorFlow是一个比Python更高级的框架，Keras是一个更高层次的框架，并提供了额外的抽象方法。最关键的是Keras能够以最
女又力·2022-09-01 11:51

吴恩达深度学习课程第四章第一周编程作业(pytorch实现)

文章目录声明一、问题描述二、模型搭建1.封装dataloader2.模型封装3.主控函数三、模型测试结果声明  本博客只是记录一下本人在深度学习过程中的学习笔记和编程经验，大部分代码是参考了【中文】【吴恩达课后编程作业】Course4-卷积神经网络-第一周作业这篇博客，对其代码实现了复现，但是原博客中代码使用的是tensorflow，而我在学习生活中主要用到的是pytorch，所以此次作业我使用p
麻衣带我去上学·2022-08-24 15:44

吴恩达深度学习-Course4第三周作业 yolo.h5文件读取错误解决方法

这个yolo.h5文件走了不少弯路呐，不过最后终于搞好了，现在把最详细的脱坑过程记录下来，希望小伙伴们少走些弯路。最初的代码是从下面这个大佬博主的百度网盘下载的，但是h5文件无法读取。(22条消息)【中文】【吴恩达课后编程作业】Course4-卷积神经网络-第三周作业_何宽的博客-CSDN博客因为我用的tensorflow版本是2.0的，查了资料好些人的建议是把tensorflow版本降低，也有自
风驰咿呀.·2022-08-24 15:44

【深度学习】吴恩达深度学习-Course2改善深层神经网络：超参数调试、正则化以及优化-第三周超参数调试、Batch正则化和程序框架编程

（本篇文章使用TF2.0进行编程）视频链接：【中英字幕】吴恩达深度学习课程第二课—改善深层神经网络：超参数调试、正则化以及优化参考链接：【中文】【吴恩达课后编程作业】Course2-改善深层神经网络-第三周作业
passer__jw767·2022-08-24 15:14

[个人笔记]吴恩达深度学习lesson5 week2自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）

推荐学习顺序：（可选）最好掌握线性代数、微积分、概率论的一些基本知识学习吴恩达机器学习课程学习吴恩达深度学习的前4课（也可以选择性学习部分内容）即第五课第一周然后可以学习本课，即吴恩达深度学习第五课的第二周内容本课程视频本课程文字版目录
YuQiao0303·2022-08-24 15:14

【深度学习】吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程（下）——深度神经网络用于图像分类：应用

在阅读这篇文章之前，请您先阅读：【深度学习】吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程（上）——一步步建立深度神经网络，这篇文章是本篇文章的前篇，没有前篇的基础，
passer__jw767·2022-08-24 15:13

吴恩达深度学习 2.2 logistic回归

笔记引言logistic回归是机器学习中的一种分类模型，用在监督学习中输出y标签是0或1的时候。属于一种在线学习（动态扩展）算法，可以利用新的数据各个特征的权重进行更新，而不需要重新利用历史数据训练。logistic回归本质上通过在线性回归模型中引入Sigmoid函数，将线性回归的不确定范围的连续输出值映射到（0，1）范围内，成为一个概率预测问题。线性回归概念：对于多维空间中存在的样本点，用特征的
CoreJia·2022-08-19 07:48

【深度学习】吴恩达深度学习-Course2改善深层神经网络：超参数调试、正则化以及优化-第一周深度学习的实用层面编程（下）——梯度检验

视频链接：【中英字幕】吴恩达深度学习课程第二课—改善深层神经网络：超参数调试、正则化以及优化参考链接：GradientChecking【中文】【吴恩达课后编程作业】Course2-改善深层神经网络-第一周作业
·2022-08-19 07:11

吴恩达深度学习笔记-布置机器学习项目(第4课)

布置机器学习项目一、训练集/验证集/测试集二、偏差与方差三、机器学习基础四、正则化五、为什么正则化可以减少过拟合？六、Dropout正则化七、理解Dropout八、其他正则化方法九、归一化输入十、梯度消失与梯度爆炸十一、神经网络的权重初始化十二、梯度的数值逼近十三、梯度检验十四、关于梯度检验实现的注意事项一、训练集/验证集/测试集划分数据为训练集、验证集和测试集可以减少确定超参数的迭代过程。在有1
郭少的研究生笔记·2022-08-19 07:04

假期学习回顾与总结

学习内容专业理论学习：学习资料介绍：假期学习整体分为吴恩达深度学习课程和《动手学深度学习PYTORCH版》,前者偏重理论，感觉适合入门，网易云课堂视频（https://mooc.study.163.com
Clark-dj·2022-08-17 07:59

吴恩达深度学习笔记 4.1~4.8 深层神经网络

之前一章讲了浅层神经网络,这一章讲的是深层神经网络深层神经网络与浅层神经网络的区别是:隐藏层比浅层神经网络多,从命名规则上来说,有1,2,5个隐藏层的神经网络可以称为1hiddenlayer,2hiddenlayers,5hiddenlayers深层神经网络中的正向传播与之前举例的浅层神经网络一样,只是层数变得更多了,如下所示:对于每一层的正向传播我们可以用一个公式表示:其中L表示层数,g表示激活
banghu8816·2022-08-16 07:07

吴恩达深度学习之一《神经网络和深度学习》学习笔记

一、深度学习概论1.2什么是神经网络如上图所示的房价预测，我们可以把它的线性回归看作一个神经元构成的神经网络。神经元就是那个圈，是一个用于映射计算的函数。图中使用的是十分常见的ReLU函数，全称为修正线性单元（又称线性整流函数），就是一个非负的线性回归，让预测本应=2个线性激活函数，就已经是多余了，显然一层中最多1个线性激活函数，而且一层中只有1个线性激活函数也是多余的，这层可以删掉，因此一层中至
Umikaze_·2022-08-13 09:43

吴恩达深度学习笔记- lesson4 卷积神经网络

文章目录Week1卷积神经网络基础4.1.1计算机视觉（Computervision）4.1.2边缘检测示例（Edgedetectionexample）4.1.3更多边缘检测内容（Moreedgedetection）4.1.4Padding3.1.5卷积步长（Stridedconvolutions）4.1.6三维卷积（Convolutionsovervolumes）4.1.7单层卷积网络（Onel
廖梓强·2022-08-13 09:12

吴恩达深度学习学习笔记——C1W2——神经网络基础——作业2——用神经网络的思路实现Logistic回归

可以明确的说，如果不自己一步步调试作业代码，很难看懂作业内容。这里主要梳理一下作业的主要内容和思路，完整作业文件可参考:http://localhost:8888/tree/Andrew-Ng-Deep-Learning-notes/assignments/C1W2作业完整截图，参考本文结尾：作业完整截图。作业目录：作业指导及目标LogisticRegressionwithaNeuralNetwo
预见未来to50·2022-08-13 09:12

吴恩达深度学习学习笔记——C1W2——神经网络基础——练习题

因为文字版排版未优化，带有上下标的公式阅读性较差，先贴出截图。文字版本在截图之后。截图版：Note:Theoutputofaneuronisa=g(Wx+b)wheregistheactivationfunction(sigmoid,tanh,ReLU,...).Note:"*"operatorindicateselement-wisemultiplication.Element-wisemult
预见未来to50·2022-08-13 09:42

吴恩达深度学习课程笔记——逻辑回归算法

逻辑回归二分类问题(BinaryClassification)假设函数(HypothesisFunction)损失函数和代价函数(LossFunctionandCostFunction)神经网络的计算中通常会有前向传播和反向传播的步骤，这门课从逻辑回归算法（logisticregression）来讲解这些概念。二分类问题(BinaryClassification)逻辑回归是一个用于二分类(bina
阿姝姝姝姝姝·2022-08-13 09:42

吴恩达深度学习学习笔记——C1W2——神经网络基础-2

1.计算图2.导数的计算（反向传播、链式法则）3.Logistic回归回顾4.Logistic回归的导数求解5.m个样本时的Logistic回归
预见未来to50·2022-08-13 09:41

吴恩达深度学习学习笔记——C1W2——神经网络基础-1

1.二分分类2.符号约定（标记方法）3.Logistic回归（对数几率回归）4.Logistic回归的损失函数和成本函数5.梯度下降法6.导数的直观理解（基础数学知识）
预见未来to50·2022-08-13 09:41

吴恩达深度学习学习笔记——C1W2——神经网络基础-3

1.向量化（向量化可以提高计算速度）2.神经网络编程准则之一——尽可能避免使用显式循环，以提高计算性能3.向量函数和矩阵函数4.Logisitc回归的梯度5.Logisitc回归的向量化表示6.Logistic的Python代码实现（矢量化表示，相比左边的for循环表示，要简洁很多）7.Python中的广播机制8.Logistic回归成本函数详解
预见未来to50·2022-08-13 09:41

吴恩达深度学习笔记01——神经网络和深度学习2浅层神经网络

PS：梯度下降法（GradientDescent）是神经网络的核心方法，用于更新神经元之间的权重，以及每一层的偏置；反向传播算法（Back-PropagationAlgorithm）则是一种快速计算梯度的算法，将梯度反向传播回去，从而能够使得梯度下降法得到有效的应用。一、神经网络表示竖向堆叠起来的输入特征被称作神经网络的输入层（theinputlayer）。神经网络的隐藏层（ahiddenlaye
阿尔基亚·2022-08-13 09:11

吴恩达深度学习笔记01——神经网络和深度学习1

实现一个神经网络时，如果需要遍历整个训练集，并不需要直接使用for循环。神经网络的计算过程中，通常有一个正向过程（forwardpass）或者叫正向传播步骤（forwardpropagationstep），接着会有一个反向过程（backwardpass）或者叫反向传播步骤（backwardpropagationstep）。一、Logistic回归Logistic回归是一个用于二分分类的算法。（二分
阿尔基亚·2022-08-13 09:11

吴恩达深度学习笔记-单层神经网络(第2课)

深度学习笔记1、神经网络概览2、神经网络表示3、计算神经网络的输出4、多个样本的向量化5、向量化实现的解释6、激活函数7、为什么需要非线性激活函数？8、激活函数的导数9、神经网络的梯度下降法10、直观理解反向传播11、随机初始化1、神经网络概览z[i]表示第i层的输入，a[i]表示第i层的输出2、神经网络表示单层神经网络：【一般不把输入层看作一个标准层】隐藏层的含义是在训练集中，这些中间节点的真正
郭少的研究生笔记·2022-08-13 09:40

吴恩达深度学习笔记——卷积神经网络基础（1）

参考吴恩达深度学习视频和CSDN笔记https://blog.csdn.net/red_stone1/article/details/78651063P108ComputerVisionCV主要包括以下几类
Deserant·2022-08-13 09:40

吴恩达深度学习笔记（一）——神经网络基础、 logistic 回归

观看了吴恩达老师的深度学习公开课，总结了部分个人觉得有益的知识点。参考链接一、数据结构当编写神经网络程序时，就不要用这种秩为1的数据结构，如shape等于(n,)，或者是一维数组时。两对方括号和一对方括号，这就是1行5列的矩阵和一维数组的差别。二.隐藏层的含义三、L1W2作业3.1作业代码参考链接1参考链接2importnumpyasnpimportmatplotlib.pyplotaspltim
子非鱼icon·2022-08-13 09:10

吴恩达深度学习笔记

你将学习本系列课程(专业):神经网络和深度学习改进深度神经网络:超参数调优、正则化和优化构建你的机器学习项目吨/德卷积神经网络端到端自然语言处理:建立序列模型RNN,LSTM我的目标理解深度学习基本原理常用算法流程常用术语不求算术推导不求算术推导不求算术推导使用深度学习框架入门介绍例1房价预测模型输入映射输出监督学习有价值的图像卷积序列CNN时间序列语言序列RNNRNNS深度学习神经网络数据量和质
reno_yuan·2022-08-08 07:22

Python吴恩达深度学习作业2 -- 用神经网络思想实现逻辑回归

用神经网络思想实现Logistic回归将学习如何建立逻辑回归分类器用来识别猫。这项作业将引导你逐步了解神经网络的思维方式，同时磨练你对深度学习的直觉。说明：除非指令中明确要求使用，否则请勿在代码中使用循环（for/while）。你将学习以下内容：建立学习算法的一般架构，包括：初始化参数计算损失函数及其梯度使用优化算法（梯度下降）按正确的顺序将以上所有三个功能集成到一个主模型上。1-安装包首先，让我
Puzzle harvester·2022-08-08 07:47

吴恩达深度学习笔记-第三课：结构化机器学习项目

lesson3结构化机器学习项目文章目录lesson3结构化机器学习项目Week1机器学习（ML策略）(1)3.1.1为什么是ML策略？（WhyMLStrategy?）3.1.2正交化（Orthogonalization）3.1.3单一数字评估指标（Singlenumberevaluationmetric）3.1.4满足和优化指标（Satisficingandoptimizingmetrics）3
廖梓强·2022-08-08 07:42

Python吴恩达深度学习作业6 -- 深度神经网络的初始化

初始化训练神经网络需要指定权重的初始值，而一个好的初始化方法将有助于网络学习。如果你完成了本系列的上一课程，则可能已经按照我们的说明完成了权重初始化。但是，如何为新的神经网络选择初始化？在本笔记本中，你能学习看到不同的初始化导致的不同结果。好的初始化可以：加快梯度下降、模型收敛减小梯度下降收敛过程中训练（和泛化）出现误差的几率首先，运行以下单元格以加载包和用于分类的二维数据集。importnump
Puzzle harvester·2022-08-07 07:24

吴恩达深度学习笔记-超参数调试、Batch正则化(第6课)

超参数调试一、调试处理二、为超参数选择合适的范围三、超参数训练的实践:PandasVSCaviar四、正则化网络的激活函数五、将BatchNorm拟合进神经网络六、BatchNorm为什么奏效？七、测试时的batchnorm八、softmax回归九、训练一个softmax分类器十、深度学习框架十一、Tensorflow一、调试处理在模型训练中需要调试许多超参数，例如：(1)学习率α；(2)动量下降
郭少的研究生笔记·2022-08-07 07:09

吴恩达深度学习 5.3 序列模型和注意力机制

1.知识点sequencetosequence模型：编码网络和解码网络imagetosequence模型：卷积，全连接，输出序列，对序列解码机器翻译：条件语言模型，相对于语言模型总是以零向量开始，机器翻译以每个单词的一系列向量作为输入。机器翻译，寻找最大的概率输出：机器学习为什么不用贪心算法：原因一，机器翻译的目标是一次性输入整体概率最大的序列，而不是逐步寻找概率最大的单词；原因二，贪心算法需要计
垚焱焱·2022-08-04 18:46

Python吴恩达深度学习作业23 -- 机器翻译（NMT）

神经机器翻译你将建立一个神经机器翻译（NMT）模型，以将人类可读的日期（“25thofJune,2009”）转换为机器可读的日期（“2009-06-25”）。你将使用注意力模型来完成此任务，注意力模型是序列模型中最复杂的序列之一。fromkeras.layersimportBidirectional,Concatenate,Permute,Dot,Input,LSTM,Multiplyfromke
Puzzle harvester·2022-08-04 18:14

Python吴恩达深度学习作业22 -- Emoji表情情感分类器

Emojify！此次你将使用单词向量表示来构建Emojifier表情符号。你是否曾经想过让短信更具表现力？你的emojifier应用程序将帮助你做到这一点。因此，与其写“恭喜晋升！有机会喝杯咖啡聊天吧。爱你！”emojifier可以自动将其变成“恭喜升职！有机会一起喝咖啡☕️聊天吧，爱你！❤️”你将实现一个模型，该模型输入一个句子（例如“让我们今晚去看棒球比赛！”），并找到最适合与该句子搭配使用的
Puzzle harvester·2022-08-04 18:13

Python吴恩达深度学习作业21 -- 词向量的基本操作

词向量的基本操作因为训练单词嵌入在计算上非常耗时耗力，所以大多数ML练习者都会加载一组经过预先训练的嵌入。完成此任务后，你将能够：加载预训练的词向量，并使用余弦相似度测量相似度。使用单词嵌入来解决单词类比问题，例如“男人相对女人”，“国王相对__”。修改词嵌入以减少其性别偏见。importnumpyasnpfromw2v_utilsimport*UsingTensorFlowbackend.接下来
Puzzle harvester·2022-08-04 18:43

语音识别（Speech Recognition）

来源：Coursera吴恩达深度学习课程现今，最令人振奋的发展之一就是seq2seq模型（sequence-to-sequencemodels）在语音识别（speechrecognition）方面准确性有了很大的提升
双木的木·2022-08-04 18:40

Python吴恩达深度学习作业24 -- 语音识别关键字

关键字语音识别在本周的视频中，你学习了如何将深度学习应用于语音识别。在此作业中，你将构建语音数据集并实现用于关键词检测（有时也称为唤醒词或触发词检测）的算法。关键词识别是一项技术，可让诸如AmazonAlexa，GoogleHome，AppleSiri和BaiduDuerOS之类的设备在听到某个特定单词时回应。对于本练习，我们的触发词将是"Activate."。每次听到你说“激活”时，它都会发出“
Puzzle harvester·2022-08-04 18:09

吴恩达深度学习——读书笔记

神经网络和深度学习深度学习概述深度学习（DeepLearning）是更复杂的神经网络（NeuralNetwork）。这是一个基本的神经网络模型结构。在训练的过程中，只要有足够的输入x和输出y，就能训练出较好的神经网络模型，该模型在此类房价预测问题中，能够得到比较准确的结果。左边是输入层，由人工输入，中间是隐藏层，连接数很高，神经网络自己决定每个节点具体是什么，右边是输出层，神经网络非常擅长计算从x
studyeboy·2022-07-30 07:11

Python吴恩达深度学习作业17 -- 深度学习与艺术 - 神经风格迁移(NST)

深度学习与艺术-神经风格迁移在本次作业中，你将学习神经风格迁移。该算法由Gatys等人在2015年创建(https://arxiv.org/abs/1508.06576%E3%80%82))。在此作业中，你将：实现神经风格迁移算法使用算法生成新颖的艺术图像目前你研究的大多数算法都会优化损失函数以获得一组参数值。而在神经样式转换中，你将学习优化损失函数以获得像素值！importosimportsys
Puzzle harvester·2022-07-27 07:16

吴恩达深度学习学习笔记

吴恩达教授的课可以在1.Coursera（可以申请旁听免费）2.DeepLearningAI（中国）3.B站4.网易云课堂（官方）几个平台上面观看。由于看视频后面可能会忘，可以翻看笔记快速回忆，免去来回看视频找知识点的痛楚。笔记链接配套练习：github:https://github.com/robbertliu/deeplearning.ai-andrewNGgitee:https://gite
ShannonPaul·2022-07-22 07:22
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他