CS231n深度学习笔记第32页

深度学习笔记（九）AutoEncoder自动编码器

前面的神经网络都是是基于监督的网络，这一章节主要是介绍非监督学习网络，原理很简单，自己学习，然后将学习的内容反过来生存初始状态，然后对比，×自动编码器是一种尽可能复现输入信号的神经网络×自动编码器必须获取到代码输入数据的最主要的因素，类似于PCA，尽量找到主要成分基于监督的学习监督学习会有target，通过对比prediction和target调整参数。如果没有target将无法进行。非监督学习我

陈奉刚的笔记·2020-08-24 00:31

[cs231n]KNN与SVM区别

部分资料来源于网络，仅做个人学习之用KNNSVM没有训练过程，只是将训练数据与训练数据进行距离度量来实现分类。基本原理就是找到训练数据集里面离需要预测的样本点距离最近的k个值（距离可以使用比如欧式距离，k的值需要自己调参），然后把这k个点的label做个投票，选出一个label做为预测是先在训练集上训练一个模型，然后用这个模型直接对测试集进行分类。这两个步骤是独立的。需要超平面wx+b来分割数据集

Extreme_Programmer·2020-08-23 23:30

[cs231n]Assignment1_SVM 代码学习

部分资料来源于网络，仅做个人学习之用SupportVectorMachine目录1.DownloadtheCIFAR10datasets,andloadit2.Preprocessing3.DefinealinearSVMclassifier4.GradientCheck5.ValidationandTest总结1.DownloadtheCIFAR10datasets,andloaditSetup

Extreme_Programmer·2020-08-23 23:30

[CS231n]批量归一化

部分资料来源于网络，仅做个人学习之用原因内部协变量偏移：深度神经网络的训练在训练时，先前的层的权值参数改变会导致层间输入值的分布情况也随之改变，这就使神经网络的训练变得困难。也使我们只能使用较小的学习率、更谨慎的参数初始化，且训练非线性模型变得非常困难。训练过程中，层间的权重会不断改变和调整，而前面层权重参数的改变会影响后面层的输入，当网络的深度很大时，层间的关联性变得很高，前面层的一点改变积累到

Extreme_Programmer·2020-08-23 23:59

深度学习笔记之卷积神经网络CNN

卷积神经网络学习笔记（台湾大学李宏毅机器学习2017春）注：此笔记主要是用于自己温习之用，一些预备知识可能写的不够详细，仅供大家参考。如果有疑问欢迎留言交流。来自李老师的主页：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html卷积神经网络其实是深度神经网络根据图片（包括视频，下同）的特性进行的简化。图片的三大特性：1.Pattern一般都比整

Regnaiq·2020-08-23 23:40

关于CNN可视化与《What have we learned from deep representations for action recognition》笔记

简短总结CNN可视化方法与《Whathavewelearnedfromdeeprepresentationsforactionrecognition》CNN可视化方法总结本节内容大部分来自于CS231nnote

Awiny_ImageProcess·2020-08-23 07:36

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

黄海广博士的github镜像下载（机器学习及深度学习资源）

其中机器学习笔记5600star，深度学习笔记3800star。由于某种原因，国内用户访问github非常慢，下载资源经常失败，于是，为方便读者，我们把github内容做成镜像文件予以发布。

风度78·2020-08-23 05:20

神经网络权重初始化问题

之前看Andrew大神的视频有介绍到神经网络权重需要随机初始化而不是全初始化为0的问题，其真正深层次的含义没有弄明白，所以结合一些资料（cs231n课程）希望能让自己之后再想到这个问题的时候能够快速地明白过来

aiwanghuan5017·2020-08-23 05:20

（cs231n）assignment1_knn

k-NearestNeighbor(kNN)exerciseCompleteandhandinthiscompletedworksheet(includingitsoutputsandanysupportingcodeoutsideoftheworksheet)withyourassignmentsubmission.Formoredetailsseetheassignmentspageonthe

刘cx的玉米地·2020-08-23 03:52

python基础知识——numpy

来自：http://cs231n.github.io/python-numpy-tutorial/更多：https://docs.scipy.org/doc/numpy/reference/数组初始化方式

暗矛_darkspear·2020-08-22 13:58

CS-231N-斯坦福李飞飞机器视觉课（Cydiachen版笔记+感悟）

CS231N斯坦福李飞飞机器视觉课这个笔记的话，因为本身的课件之间有一些耦合性，但是关联性也不是很大，这里的话，因为我是在雷锋网上看的整个视频课程，感谢字幕组有整理出来每一个Lecture的关键词，这里的话我的笔记组织的话

Cydiachen·2020-08-22 11:26

深度学习笔记---梯度法简单介绍与实现

#1.导入偏导数详细介绍参考百度百科https://baike.baidu.com/item/%E5%81%8F%E5%AF%BC%E6%95%B0/5536984?fr=aladdin求f(x0,x1,x2)关于x0的偏导数，就是将x1,x2看作常数再对x0求导。利用定义求偏导可用如下数学式表示这也就是数值微分。数值微分就是利用微小的差分求导数的过程。梯度详细介绍参考百度百科https://ba

武松111·2020-08-22 04:44

深度学习笔记（六）VGG14

VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition1.主要贡献本文探究了参数总数基本不变的情况下，CNN随着层数的增加，其效果的变化。(thoroughevaluationofnetworksofincreasingdepthusinganarchitecturewithverysmall(3×3)convolutionfilte

weixin_30666401·2020-08-22 03:16

深度学习笔记(四)：Cross-entropy损失函数

改进的Cost函数Cross-entropy使神经网络学习更快神经网络是如何学习的神经网络学习过程(Cost的变化情况)为什么神经网络会出现一开始学习很慢后来学习变快的情况呢介绍cross-entropy损失函数（costfunction）演示cross-entropy损失函数的学习情况用cross-entropy进行手写数字识别总结:改进的Cost函数Cross-entropy使神经网络学习更快

放不完的风筝·2020-08-22 03:42

CS231n Putting it together: Minimal Neural Network Case Study —— nn with softmax loss

加一层非线性，相比于单纯的softmax，效果立马就好了啊。importnumpyasnpimportmatplotlib.pyplotaspltN=100;D=2;K=3;X=np.zeros((N*K,D))y=np.zeros(N*K,dtype='uint8')forjinxrange(K):ix=range(N*j,N*(j+1));r=np.linspace(0,1,N);#t=np.

hello_pig1995·2020-08-22 01:26

论文笔记: 网络结构_Deep Residual Learning for Image Recognition

前言学习cs231n时接触到这篇文章，这篇文章提出了ResNet，ResNet可以说是深度学习史上的一个里程碑，具有很高的价值，因此打算好好理解以下ResNet的思想和方法。

无聊的人生事无聊·2020-08-22 01:14

CS231n 卷积神经网络与计算机视觉 3 最优化与随机梯度下降

上节中我们已经接触到了图像识别中的两部分scorefunction和lossfunction，这节将会引入对lossfunction的优化求解，也就是optimization。为了求解lossfunction我们首先将lossfunction可视化Visualizingthelossfunction一般来说在图像处理的时候我们结果的数据都是多维的，前面CIFAR-10的图片有3072维，一共10类

bea_tree·2020-08-21 18:21

卷积神经网络 + 机器视觉： L6_初始化_激励函数_BN_梯度下降 (斯坦福CS231n）

v=wEoyxE0GP2M&index=6&list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv完整的视频课堂投影片连接：http://cs231n.stanford.edu/

CHUNLIN GO·2020-08-21 18:24

卷积神经网络 + 机器视觉：L7_进阶梯度下降_正则化_迁移学习 (斯坦福CS231n）

v=_JB0AO7QxSA&list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv&index=7完整的视频课堂投影片连接：http://cs231n.stanford.edu/

CHUNLIN GO·2020-08-21 18:24

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

李飞飞团队最经典计算机视觉课更新！斯坦福出品，深度学习入门必备

萧萧发自凹非寺量子位报道公众号QbitAI斯坦福最经典的计算机视觉课程CS231n——全称是面向视觉识别的卷积神经网络。今天更新啦。

itwriter·2020-08-21 16:00

深度学习笔记6：神经网络优化算法之从SGD到Adam

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。作者简介：鲁伟：一个数据科学践行者的学习日记。数据挖掘与机器学习，R与Python，理论与实践并行。个人公众号：

天善智能·2020-08-21 15:54

生成对抗网络（GAN）入门（CS231n）

声明本文内容主要摘自斯坦福CS231n课程，并做简要翻译和解释。如有错误，欢迎指出。

sgx_hit·2020-08-21 08:42

2017CS231n笔记_S16对抗样本和对抗训练

对抗样本：对抗样本是用心构造出来的会被分错类的样本。使用对抗样本来攻击深度卷积网络，使得它出错。对抗样本可以欺骗很多种线性模型，包括逻辑回归和支持向量机。对抗样本也可以欺骗非线性模型。对抗样本的产生是因为模型线性程度过高。对抗样本的寻找：找到一个和梯度方向能形成很大的内积的方向，然后只要大概沿着这个方向移动一点，就能找到对抗样本，欺骗网络模型。对抗区域：对抗样本所在的区域称为对抗区域/对抗空间。M

KKALL1314·2020-08-20 22:36

22课时、19大主题，CS 231n进阶版课程视频上线！

来源｜机器之心讲CS231n的JustinJohnson在密歇根大学推出了一套计算机视觉的进阶课程。计算机视觉在日常生活中已经无处不在。

计算机视觉联盟·2020-08-20 17:11

22课时、19大主题，CS 231n进阶版课程视频上线！

来源｜机器之心讲CS231n的JustinJohnson在密歇根大学推出了一套计算机视觉的进阶课程。计算机视觉在日常生活中已经无处不在。

计算机视觉联盟·2020-08-20 17:11

深度学习笔记（05）：梯度下降法

梯度下降的用途：用来更新训练集上的参数W和b。损失函数可以衡量算法的效果，每一个训练样例都输出一个y_hat，把这个y_hat和真正的标签y进行比较。成本函数衡量了参数W和b在训练集上的效果，要训练出适合的参数W和b，这些参数使成本函数的值尽可能的小。为了更好地找到更好的参数值，我们训练网络时，一般都是随机初始化参数W和b。梯度下降的实现：W-成本函数对W的偏导数；b-成本函数对b的偏导数其中的a

qq_36346625·2020-08-20 13:54

Deeplearning.ai Course-1 Week-4 Programming Assignment2

相对于斯坦福的CS231n课程，Andrew的视频课程更加简单易懂，适合深度学习的入门者系统学习！

_刘某人_·2020-08-20 11:09

深度学习笔记——理论与推导之RNN的训练过程BPTT（五）

TrainingRNN——BPTT由于RNN和时间序列有关，因此我们不能通过Backpropagation来调参，我们使用的是Backpropagationthroughtime（BPTT）回顾BackpropagationBackpropagationthroughTime（BPTT）我们可以将RNN变成如下形式：参照之前的BP我们发现，反向传播其实就是一个梯度*矩阵*激活函数的微分（放大器）。

R3·2020-08-20 08:12

深度学习笔记6：神经网络优化算法之从SGD到Adam

1从前面的学习中，笔者带大家一起学会了如何手动搭建神经网络，以及神经网络的正则化等实用层面的内容。这些都使得我们能够更深入的理解神经网络的机制，而并不是初次接触深度学习就上手框架，虽然对外宣称神经网络是个黑箱机制，但是作为学习者我们极度有必要搞清楚算法在每个环节到底都干了些什么。今天笔者需要讲的是深度学习的一个大的主题——优化算法。采用何种方式对损失函数进行迭代优化，这是机器学习的一大主题之一，当

倔强_beaf·2020-08-20 07:58

斯坦福cs231n学习笔记（1）------Computer Vision的历史与回顾

研究生考试结束，终于能有一大块系统的时间来学习神经网络，一直对这块的知识很感兴趣，嘿嘿，兴趣是个好东西。准备着手写一系列关于学习FeiFeiLi的计算机视觉&深度学习课程的总结及心得，分享给大家，我们一起进步！介绍一下计算机视觉的历史和回顾，ComputerVision，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并

胡大炮的妖孽人生·2020-08-20 06:30

深度学习笔记1：利用numpy从零搭建一个神经网络

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。作者简介：鲁伟：一个数据科学践行者的学习日记。数据挖掘与机器学习，R与Python，理论与实践并行。个人公众号：

R3eE9y2OeFcU40·2020-08-20 06:03

AI Studio 飞桨零基础入门深度学习笔记6.7-手写数字识别之资源配置

AIStudio飞桨零基础入门深度学习笔记6.7-手写数字识别之资源配置概述前提条件单GPU训练分布式训练模型并行数据并行PRC通信方式NCCL2通信方式（Collective）概述从前几节的训练看，无论是房价预测任务还是

mejs·2020-08-19 11:02

Convolutional Neural Networks for Visual Recognition

http://cs231n.github.io/里面有很多相当好的文章http://cs231n.github.io/convolutional-networks/TableofContents:ArchitectureOverviewConvNetLayersConvolutionalLayerPoolingLayerNormalizationLayerFully-ConnectedLayerC

dielucui7698·2020-08-19 09:02

Batch Normalization梯度反向传播推导

最近在看CS231N的课程，同时也顺带做配套的作业，在Assignment2中关于BatchNormalization的具体数学过程则困惑了很久，通过参看一些博客自己推导了一遍，供大家参考。

ycsun_·2020-08-19 06:50

深度学习笔记——将mnist数据集中的手写字体图片保存到本地

代码如下：importcv2fromkeras.datasetsimportmnistimportnumpyasnp(X_train,Y_train),(X_test,Y_test)=mnist.load_data()foriinrange(0,59999):#迭代0到59999之间的数字#C:/Users/kimcho/Desktop/photo2/x_trainfileName="C:/Use

_kimcho·2020-08-19 05:31

深度学习笔记2：关于LSTM神经网络输入输出的理解

我们在理解RNN或者LSTM的时候，对它们的输入和输出的维度都很迷惑，下面是我结合代码和网上的一些资料进行理解首先，正常的全连接层网络拓扑是这样的：有输入层、隐层和输出层，隐层中有神经元，无论是CNN还是RNN都可以这样概括，图中每个参数都跟全部的神经元有链接。关于RNN的理解可以看我上一篇的文章接下来看下LSTM的拓扑图：LSTM的精华就来了，就是如下公式：在拓扑图中，我们看到的是不同时刻的X输

陆撄宁·2020-08-19 04:14

CS231n作业笔记2.4：Batchnorm的实现与使用

CS231n简介详见CS231n课程笔记1：Introduction。本文都是作者自己的思考，正确性未经过验证，欢迎指教。

silent56_th·2020-08-19 03:57

深度学习笔记_基本概念_对Max Pooling的理解

目录MaxPooling是什么MaxPooling的作用作用1：invariance(不变性)作用2：增大感受野听说pooling层可以消失还是可以用pooling的参考链接MaxPooling是什么在卷积后还会有一个pooling的操作。maxpooling的操作如下图所示：整个图片被不重叠的分割成若干个同样大小的小块（poolingsize）。每个小块内只取最大的数字，再舍弃其他节点后，保持原

skyjhyp11·2020-08-19 03:26

深度学习笔记_基本概念_卷积网络中的通道channel、特征图feature map、过滤器filter和卷积核kernel

目录卷积网络中的通道、特征图、过滤器和卷积核1.featuremap1.1featuremap1.2featuremap怎么生成的？1.3多个featuremap的作用是什么？2.卷积核2.1定义2.2形状2.3卷积核个数的理解3.filter4.channel4.1定义4.2分类4.3通道与特征4.4通道的终点卷积网络中的通道、特征图、过滤器和卷积核1.featuremap1.1featurem

skyjhyp11·2020-08-19 03:26

cs231n-notes-Lecture-4/5/6: 反向传播/激活函数/数据预处理/权重初始化/batch norm

Lecture-4BackpropagationandNeuralNetworksComputationalGraphsNodegradient=[localgradient]x[upstreamgradient]addgate:gradientdistributormaxgate:gradientrouter(chooseonlyaway)mulgate:gradientswitcherLect

Ravi-Jay·2020-08-19 03:41

深度学习笔记——正则化方法

文章目录深度学习中的正则化和优化1、正则化方法1.1数据增强(DataAugmentation)1.2L1和L2正则化L2正则化L1正则化L1与L2正则化1.3添加噪声1.4提前终止（earlystopping）1.4参数共享1.5稀疏正则化1.6Dropout深度学习中的正则化和优化深度学习中，正则化与优化策略占据了重要的地位，它们很大程度上决定了模型的泛化与收敛等性能。通过阅读《深度学习》，简

ysc1006·2020-08-19 03:57

【记录】为什么在CNN的Batch Norm中对C个channel进行归一化

下面是cs231n-assignment2中的SpatialBatchNorm的介绍中对于此处空间归一化的解释，为什么对shape为NCHW的图像数据进行BatchNorm时需要计算NHW维度的mean

不跑步就等肥·2020-08-19 02:29

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

深度学习笔记（一）：mnist 数据集手写数字图片识别

深度学习笔记（一）：mnist数据集手写数字图片识别数据简介数据集下载代码如下：数据简介数据集中含70000张书写字图像，分为训练集和测试集训练集：60000张图像，大小28x28，共10类（0-9）；

VolumeK·2020-08-19 00:10

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

CNN

[-]通俗理解卷积神经网络cs231n与5月dl班课程笔记前言人工神经网络1神经元2激活函数3神经网络卷积神经网络之层级结构CNN之卷积计算层1什么是卷积2图像上的卷积3GIF动态卷积图CNN之激励层与池化层

07H_JH·2020-08-18 18:02

七月算法深度学习笔记5--CNN训练注意事项与框架使用

这套笔记是跟着七月算法五月深度学习班的学习而记录的，主要记一下我再学习机器学习的时候一些概念比较模糊的地方，具体课程参考七月算法官网：http://www.julyedu.com/1.神经网络的训练1.1Mini-batchSGD不断循环:1采样一个batch数据(比如32张,可以做镜像对称)2前向计算得到损失loss3反向传播计算梯度(一个batch上的)4用这部分梯度迭代更新权重参数未必找到全

thystar·2020-08-18 16:29

《Tensorflow和深度学习笔记》100页

"人工智能A7论坛编辑部"为大家带来了《Tensorflow和深度学习笔记》，一共100页,截图如下查看笔记，可以前往"http://book.aqinet.cn"。

_云游者_·2020-08-18 15:24

推荐频道

CS231n深度学习笔记

深度学习笔记（九）AutoEncoder自动编码器

[cs231n]KNN与SVM区别

[cs231n]Assignment1_SVM 代码学习

[CS231n]批量归一化

深度学习笔记之卷积神经网络CNN

关于CNN可视化与《What have we learned from deep representations for action recognition》笔记

吴恩达深度学习笔记(79)-池化层讲解（Pooling layers）

黄海广博士的github镜像下载（机器学习及深度学习资源）

神经网络权重初始化问题

（cs231n）assignment1_knn

python基础知识——numpy

CS-231N-斯坦福李飞飞机器视觉课（Cydiachen版笔记+感悟）

深度学习笔记---梯度法简单介绍与实现

深度学习笔记（六）VGG14

深度学习笔记(四)：Cross-entropy损失函数

CS231n Putting it together: Minimal Neural Network Case Study —— nn with softmax loss

论文笔记: 网络结构_Deep Residual Learning for Image Recognition

CS231n 卷积神经网络与计算机视觉 3 最优化与随机梯度下降

卷积神经网络 + 机器视觉： L6_初始化_激励函数_BN_梯度下降 (斯坦福CS231n）

卷积神经网络 + 机器视觉：L7_进阶梯度下降_正则化_迁移学习 (斯坦福CS231n）

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

李飞飞团队最经典计算机视觉课更新！斯坦福出品，深度学习入门必备

深度学习笔记6：神经网络优化算法之从SGD到Adam

生成对抗网络（GAN）入门（CS231n）

2017CS231n笔记_S16对抗样本和对抗训练

22课时、19大主题，CS 231n进阶版课程视频上线！

22课时、19大主题，CS 231n进阶版课程视频上线！

深度学习笔记（05）：梯度下降法

Deeplearning.ai Course-1 Week-4 Programming Assignment2

深度学习笔记——理论与推导之RNN的训练过程BPTT（五）

深度学习笔记6：神经网络优化算法之从SGD到Adam

斯坦福cs231n学习笔记（1）------Computer Vision的历史与回顾

深度学习笔记1：利用numpy从零搭建一个神经网络

AI Studio 飞桨 零基础入门深度学习笔记6.7-手写数字识别之资源配置

Convolutional Neural Networks for Visual Recognition

Batch Normalization梯度反向传播推导

深度学习笔记——将mnist数据集中的手写字体图片保存到本地

深度学习笔记2：关于LSTM神经网络输入输出的理解

CS231n作业笔记2.4：Batchnorm的实现与使用

深度学习笔记_基本概念_对Max Pooling的理解

深度学习笔记_基本概念_卷积网络中的通道channel、特征图feature map、过滤器filter和卷积核kernel

cs231n-notes-Lecture-4/5/6: 反向传播/激活函数/数据预处理/权重初始化/batch norm

深度学习笔记——正则化方法

【记录】为什么在CNN的Batch Norm中对C个channel进行归一化

吴恩达深度学习笔记(33)-带你进一步了解Dropout

深度学习笔记（一）：mnist 数据集手写数字图片识别

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

CNN

七月算法深度学习笔记5--CNN训练注意事项与框架使用

《Tensorflow和深度学习笔记》100页

AI Studio 飞桨零基础入门深度学习笔记6.7-手写数字识别之资源配置