第二部分
深度神經網路：現代實踐
這一部分主要總結深度學習解決實際應用專案的最新成果。
深度學習有乙個長久的歷史並承擔了人們的期望。已經提出了很多方法並得到成功應用，這其中包括一些超乎尋常的目標。本書最後列舉了一些正在發展中深度學習方法。
這一部分主要聚焦在那些已經在工業界完全得到很好應用的方法。
現代深度學習提供了乙個非常有效的監督學習框架，通過增加更多的層或在在每層中新增更多的單元，乙個深度網路能夠表達越來越複雜的函式。人類能夠很容易快速識別的大多數任務可表示為乙個輸入向量到輸出向量的對映，而這種任務形式都可以通過深度學習來完成，只要給定足夠大的模型和足夠大的帶有標籤的資料集。而那些不能描述成乙個向量到另乙個向量或者那些人類難以處理的任務和需要花費大量時間來思考完成的專案，目前超出深度學習能處理的範圍。
DeepLearning 吳恩達深度學習第三課筆記
orthogonalization 正交化 乙個調整只帶來乙個方面的影響 評價標準 1 optimizing n 1 satisficing training set dev set test set dev開發集和test測試集來自同樣的分布 樣本劃分 小樣本100 10000 70 30 或者 ...
深度學習Deep Learning
概述 deep feedforward network 深度前饋網路 又名feedforward neural network 前饋神經網路 或 multilayer perceptron 多層感知器 是深度學習模型的精髓 前饋網路的目的是逼近某種方程f 比如乙個分類器，y f x 將輸入x對映到類...
DeepLearning 應用概述
利用卷積的目標篩選功能，用在視覺識別領域。現在此領域好用的網路基本上全部基於cnn，核心都是卷積。迴圈神經網路用於語音識別於自然語言處理。相較於 cnn 在影象識別和檢測方面的廣泛應用，基於序列模型的 rnn 的應用方面則是語音識別 文字翻譯和自然語言處理等其他更為激動人心的領域。所以，正如 cnn...