• Quick Learn Deep Learning
  • Introduction
  • 第一章使用神經網絡識別手寫數字
    • 感知機
    • sigmoid神經元
    • 神經網絡的結構
    • 用簡單的網絡結構解決手寫數字識別
    • 通過梯度下降法學習參數
    • 實現我們的神經網絡來分類數字
    • 邁向深度學習
  • 第二章反向傳播算法是如何工作的
    • 熱身:一個基於矩陣的快速計算神經網絡輸出的方法
    • 關於代價函數的兩個假設
    • Hadamard積,s⨀t
    • 反向傳播背後的四個基本等式
    • 四個基本方程的證明(自選)
    • 反向傳播算法
    • 反向傳播算法代碼
    • 為什麼說反向傳播算法很高效
    • 反向傳播:整體描述
  • 第三章改進神經網絡的學習方法
    • 交叉熵代價函數
    • 用交叉熵解決手寫數字識別問題
    • 交叉熵的意義是什麼?它又是怎麼來的?
    • Softmax
    • 過擬合和正則化
      • 正則化
      • 為什麼正則化能夠降低過擬合
    • 其它正則化技術
    • 參數初始化
    • 重溫手寫數字識別:代碼
    • 如何選擇神經網絡的超參數
    • 其它技術
  • 第四章神經網絡可以計算任何函數的可視化證明
    • 兩個預先聲明
    • 一個輸入和一個輸出的普遍性
    • 多個輸入變量
    • S型神經元的延伸
    • 修補階躍函數
    • 結論
  • 第五章為什麼深度神經網絡的訓練是困難的
    • 梯度消失問題
    • 什麼導致了消失的梯度問題?深度神經網絡中的梯度不穩定性
    • 在更加複雜網絡中的不穩定梯度
    • 其他深度學習的障礙
  • 第六章深度學習
    • 介紹卷積網絡
    • 卷積神經網絡在實際中的應用
    • 卷積網絡的代碼
    • 圖像識別領域中的近期進展
    • 其他的深度學習模型
    • 神經網絡的未來
  • 附錄:是否有關於智能的⼀個簡單的算法?
Powered by GitBook

卷積網絡的代碼

文章链接: http://mp.weixin.qq.com/s?__biz=MzIxMjAzNDY5Mg==&mid=2650790947&idx=1&sn=0b85ea3c4ec28fc577d18d4dbc2280a4&chksm=8f4749c8b830c0deeae0e9bd8ee84f807a380ffb4fa552d545d9955ca07e44bbabc0b629638b&scene=21#wechat_redirect

results matching ""

    No results matching ""