UFLDL 第4页

UFLDL：深度学习课程总结

UFLDL是斯坦福大学CS294A课程的教学wiki。课程设置很科学，循序渐进，每次课程都是在上次的基础上增添一些东西，还有作业可以让你直观地感受所学内容。

Agent002·2019-05-11 10:30

UFLDL-sparse encoder学习笔记

重要的MATLAB函数repmat函数B=repmat(A,m,n)即A这个子矩阵作为B矩阵的元素，而B的size是mxn这是一个处理大矩阵且内容有重复时使用，其功能是以A的内容堆叠在（MxN）的矩阵B中，B矩阵的大小由MxN及A矩阵的内容决定此处用于代码的vectorization sum函数IfAisamatrix,thensum(A)returnsarowvectorcontainingt

personae·2019-02-13 23:12

UFLDL Tutorial - Supervised Learning and Optimization

文章目录@[toc]SupervisedLearningandOptimization[LinearRegression](http://ufldl.stanford.edu/

如若明镜·2018-12-19 11:55

机器学习、深度学习方面书籍收集（持续更新……）

》，李航，适合学习理论《Python编程从入门到实践》，Python基础书籍，里边通过例子讲解Python基础语法，简单，易懂《OpenCV3编程入门》，毛星云，主要通过实际例子讲解OpenCV课程：UFLDL

SophiaCV·2018-12-15 15:50

CNN中的池化后的平移不变性理解以及max_pooling和mean_pooling对比

参考1：https://www.zhihu.com/question/34898241参考2：http://ufldl.stanford.edu/wiki/index.php/池化1、池化的不变形如果人们选择图像中的连续范围作为池化区域

菜鸡咸鱼·2018-12-11 09:40

cs231n 卷积神经网络与计算机视觉 4 Backpropagation 详解反向传播

反向传播backpropagation反向传播在UFLDL中的介绍已经较为具体（http://blog.csdn.net/bea_tree/article/details/51174776），这里仅作补充

duanyajun987·2018-11-09 16:43

卷积特征提取

这是关于斯坦福大学的UFLDL（UnsupervisedFeatureLearningandDeepLearning）中CNN一章的笔记，用来补足Hinton神经网络公开课略过的部分。

nanqi123·2018-10-31 09:47

UFLDL：稀疏自编码器

吴恩达的CS294A是一门很好的深度学习入门课程，打算接下来的学习以这个课程的内容为主。UFLDLTutorial是CS294A课程的wiki页，包含了课程讲义和作业。如果你对监督学习、逻辑回归、梯度下降等基础概念并不熟悉，可以先学习之前的课程。关于课程作业的Python代码已经放到了Github上，点击课程代码就能去Github查看（无法访问Github的话可以点击Coding查看），代码中的错

Agent002·2018-10-24 21:16

反向传播——通俗易懂

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

chengchaowei·2018-10-04 12:05

Machine Learning初体验

.163.com/special/opencourse/machinelearning.html相关资料：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

Cynthia0811·2018-09-25 16:46

Machine Learning初体验

.163.com/special/opencourse/machinelearning.html相关资料：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

Cynthia0811·2018-09-25 16:46

一文弄懂神经网络中的反向传播法——BackPropagation

https://www.cnblogs.com/charlotte77/p/5629865.html一文弄懂神经网络中的反向传播法——BackPropagation最近在看深度学习的东西，一开始看的吴恩达的UFLDL

Angus____·2018-09-01 17:42

BP（反向传播）算法

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

DoubleFly安·2018-08-30 15:41

在深度学习中数据预处理常用方法

本文主要讲深度学习中的数据预处理方法，主要参考NG的UFLDL教程以及其他一些博客和论文进行总结，UFLDL数据预处理教程链接为http://deeplearning.stanford.edu/wiki

搞视觉的张小凡·2018-08-23 22:37

在深度学习中数据预处理常用方法

本文主要讲深度学习中的数据预处理方法，主要参考NG的UFLDL教程以及其他一些博客和论文进行总结，UFLDL数据预处理教程链接为http://deeplearning.stanford.edu/wiki

搞视觉的张小凡·2018-08-23 22:37

softmax函数笔记

详见http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92在Logisticregression二分类问题中，我们可以使用sigmo

西之可乐·2018-07-19 11:31

非监督特征学习与深度学习（十三）---- 自动编码器

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2018-07-14 23:48

【转载】梯度下降算法的参数更新公式

但是如何更新参数看了不少描述，下面的叙述比较易懂的：1、在吴恩达的CS229的讲义的第四页直接给出参数迭代公式在UFLDL中反向传导算法一节也是直接给出的公式2、例子：第一步：随机对比重（a,b）赋值并计算误差平方和

rickhuan08·2018-05-21 19:03

一文读懂BP神经网络

http://www.cnblogs.com/charlotte77/p/5629865.html最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确

Terry_dong·2018-05-11 18:45

[转]UFLDL教程

转自UFLDL教程说明：本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。

seawish·2018-05-03 22:06

BP算法实例详解

大白话讲解BP算法最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

beashaper_·2018-04-23 00:21

machine learning资料总结与心得

待更新……博客、网址：UFIDL：http://ufldl.stanford.edu/wiki/index.php/UFLDL教程七月在线创始人的博客：http://blog.csdn.net/v_july_v

code_caq·2018-03-13 21:48

UFLDL教程笔记（一）

UFLDL教程作为深度学习入门非常好的一个教程，为了防止自己看过忘过，所以写下笔记，笔记只记录了自己对于每个知识点的直观理解，某些地方加了一些使自己更容易理解的例子，想要深入了解建议自己刷一遍此教程。

土豆洋芋山药蛋·2018-01-08 23:51

神经网络名词缩写及中英文对照

UFLDL-UnsupervisedFeatureLearningandDeepLearning(无监督特征学习与深度学习)CNN-ConvolutionalNeuralNetwork(卷积神经网络)FCN-FullyConvolutionalNetworks

counter_king·2017-12-21 15:33

深度学习: greedy layer-wise pre-training (逐层贪婪预训练)

从UFLDL栈式自编码器摘来的话：每次只训练网络中的一层，即我们首先训练一个只含一个隐藏层的网络，仅当这层网络训练结束之后才开始训练一个有两个隐藏层的网络，以此类推。

JNingWei·2017-12-18 20:11

深度学习: translation invariant (平移不变性)

以下摘自池化-ufldl：如果人们选择图像中的连续范围作为池化区域，并且只是池化相同(重复)的隐藏单元产生的特征，那么，这些池化单元就具有平移不变性(translationinvariant)。

JNingWei·2017-12-18 16:25

AI-图书馆（一）

DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio

c2a2o2·2017-12-18 13:34

反向推导

http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8Bhttp://neuralnetworksanddeeplearning.com

旧事浮沉·2017-12-07 15:59

BP的详细推导过程

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

SZU_Hadooper·2017-11-23 22:11

UFLDL机器学习 && Andrew Ng-Deep Learning课程

UFLDL机器学习&&AndrewNg-DeepLearning课程本博客转载自：http://blog.csdn.net/u012432611/article/details/47866561?

Allenlzcoder·2017-11-03 10:45

非监督特征学习与深度学习（十二）---- 卷积神经网络

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-24 10:35

非监督特征学习与深度学习（十一）----优化方法：随机梯度下降

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 10:53

非监督特征学习与深度学习（九）----使用卷积进行特征提取

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 10:16

非监督特征学习与深度学习（八）----神经网络向量化

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 10:30

非监督特征学习与深度学习（七）----多层神经网络

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 09:31

非监督特征学习与深度学习（二）----逻辑回归

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 09:17

非监督特征学习与深度学习（一）----线性回归

注：本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial因为github上的makedown格式显示的不够完全，看的非常不方便，因此放到CSDN上比较好查阅学习

冬之晓东·2017-09-23 09:03

DCNN与语义分割

Caffe接口，写Demo这是硬功夫分析各层Layer输出特征级别5：何不自己搭个CNN玩玩TrainCNN时关于数据集的一些注意事项级别6：加速吧，GPU编程关于语义分割的一些其它工作级别1：DL快速上手UFLDL

Cche1·2017-08-21 12:11

python读取MNIST数据集

在学习ufldl课程时需要用到MNIST数据集，主页在这里。但由于该数据集为IDX文件格式，是一种用来存储向量与多维度矩阵的文件格式，不能直接读取。

Jiede1·2017-08-11 16:17

深度学习入门 --- 自我学习与半监督学习

该章节参考ufldl1.什么是自我学习（Self-TaughtLearning）与半监督学习首先，什么是半监督学习？当你手头上拥有在大量未标注数据和少量的已标注数据，那这种场景就可以说是半监督学习。

Jiede1·2017-08-06 20:27

一文弄懂神经网络中的反向传播法——BackPropagation

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

清风予你·2017-07-26 16:37

一文弄懂神经网络中的反向传播法——BackPropagation

最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充

Zimri·2017-07-10 21:22

机器学习入门算法基础视频

://www.coursera.org/learn/machine-learning➤进阶，多层神经网络，卷积和softmax回归：斯坦福机器学习课程UFLDLUFLDLTutorialhttp://ufldl.stanford.edu

ejinxian·2017-06-23 14:59

Tensorflow实现简单图像探索

下载地址：http://ufldl.stanford.edu/housenumbers/数据集名train_32x32.mat,test_32x32.mat格式为MATLAB文件，可从scipy.io中

dataming_little_bird·2017-06-22 11:43

UFLDL教程：数据预处理

数据预处理是深度学习中非常重要的一步！如果说原始数据的获得，是深度学习中最重要的一步，那么获得原始数据之后对它的预处理更是重要的一部分。一般来说，算法的好坏一定程度上和数据是否归一化，是否白化有关。数据归一化数据预处理中，标准的第一步是数据归一化。虽然这里有一系列可行的方法，但是这一步通常是根据数据的具体情况而明确选择的。特征归一化常用的方法包含如下几种：1.样本尺度归一化：简单缩放对数据的每一个

帅气的弟八哥·2017-06-20 11:33

UFLDL教程：Exercise:Convolution and Pooling

DeepLearningandUnsupervisedFeatureLearningTutorialSolutionsCNN的基本结构包括两层其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。由于一个

帅气的弟八哥·2017-06-15 13:10

UFLDL教程：Exercise:Convolution and Pooling

卷积全联通网络较大图像，通过全联通网络来学习整幅图像的特征，将会非常耗时。在稀疏自编码章节中，我们把输入层和隐含层进行“全连接”的设计。从计算的角度来讲，在其他章节中曾经用过的相对较小的图像（如在稀疏自编码的作业中用到过的8x8的小块图像，在MNIST数据集中用到过的28x28的小块图像），从整幅图像中计算特征是可行的。但是，如果是更大的图像（如96x96的图像），要通过这种全联通网络的这种方法来

jiandanjinxin·2017-06-15 13:00

UFLDL教程: Exercise:Learning color features with Sparse Autoencoders

LinearDecoders以三层的稀疏编码神经网络而言，在sparseautoencoder中的输出层满足下面的公式从公式中可以看出，a3的输出值是f函数的输出，而在普通的sparseautoencoder中f函数一般为sigmoid函数，所以其输出值的范围为(0,1)，所以可以知道a3的输出值范围也在0到1之间。另外我们知道，在稀疏模型中的输出层应该是尽量和输入层特征相同，也就是说a3=x1，

jiandanjinxin·2017-06-14 19:00

UFLDL教程: Exercise: Implement deep networks for digit classification

Deepnetworks深度网络的优势比单层神经网络能学习到更复杂的表达。不同层的网络学习到的特征是由最底层到最高层慢慢上升的。比如在图像的学习中，第一个隐含层网络可能学习的是边缘特征，第二隐含层就学习到的是轮廓特征，后面的就会更高级，有可能是图像目标中的一个部位。也就是说底层隐含层学习底层特征，高层隐含层学习高层特征。训练深度网络的困难1.数据获取问题需要依赖于有标签的数据才能进行训练。然而有标

jiandanjinxin·2017-06-14 15:00

UFLDL教程: Exercise:Self-Taught Learning

自我学习1.先训练稀疏自编码器提取特征，再把特征和label给softmax分类器进行训练，最后用test数据集进行测试。2.由于实际应用中找到大量有标注的样本是非常困难的，所有采用先用大量无标注样本来进行无监督训练自编码器，再用自编码器来提取特征，配合有标注样本来进行有监督训练softmax分类器。3.数据预处理方面：例如，如果对未标注数据集进行PCA预处理，就必须将得到的矩阵U保存起来，并且应

jiandanjinxin·2017-06-14 10:00

推荐频道

UFLDL

UFLDL：深度学习课程总结

UFLDL-sparse encoder学习笔记

UFLDL Tutorial - Supervised Learning and Optimization

机器学习、深度学习方面书籍收集（持续更新……）

CNN中的池化后的平移不变性理解以及max_pooling和mean_pooling对比

cs231n 卷积神经网络与计算机视觉 4 Backpropagation 详解反向传播

卷积特征提取

UFLDL：稀疏自编码器

反向传播——通俗易懂

Machine Learning初体验

Machine Learning初体验

一文弄懂神经网络中的反向传播法——BackPropagation

BP（反向传播）算法

在深度学习中数据预处理常用方法

在深度学习中数据预处理常用方法

softmax函数笔记

非监督特征学习与深度学习（十三）---- 自动编码器

【转载】梯度下降算法的参数更新公式

一文读懂BP神经网络

[转]UFLDL教程

BP算法实例详解

machine learning资料总结与心得

UFLDL教程笔记（一）

神经网络名词缩写及中英文对照

深度学习: greedy layer-wise pre-training (逐层贪婪预训练)

深度学习: translation invariant (平移不变性)

AI-图书馆（一）

反向推导

BP的详细推导过程

UFLDL机器学习 && Andrew Ng-Deep Learning课程

非监督特征学习与深度学习（十二）---- 卷积神经网络

非监督特征学习与深度学习（十一）----优化方法：随机梯度下降

非监督特征学习与深度学习（九）----使用卷积进行特征提取

非监督特征学习与深度学习（八）----神经网络向量化

非监督特征学习与深度学习（七）----多层神经网络

非监督特征学习与深度学习（二）----逻辑回归

非监督特征学习与深度学习（一）----线性回归

DCNN与语义分割

python读取MNIST数据集

深度学习入门 --- 自我学习与半监督学习

一文弄懂神经网络中的反向传播法——BackPropagation

一文弄懂神经网络中的反向传播法——BackPropagation

机器学习入门算法基础视频

Tensorflow实现简单图像探索

UFLDL教程：数据预处理

UFLDL教程：Exercise:Convolution and Pooling

UFLDL教程：Exercise:Convolution and Pooling

UFLDL教程: Exercise:Learning color features with Sparse Autoencoders

UFLDL教程: Exercise: Implement deep networks for digit classification

UFLDL教程: Exercise:Self-Taught Learning