神經網路是乙個受大腦工作方式開發出來的強力學習演算法
我的理解是模擬spring框架中 mvc的 dao層，service層，和 controller層。
只不過service層是可以學習 並且自己開發的的。
x 輸入 y輸出
假設將3個64x64的矩陣提取出來放入特徵向量。
總值為64x64x3 = 12288 這時我們就用n = nx = 12288標識 來表示輸入的特徵向量的維度。
訓練的目標是要訓練出乙個分類器，來進行影象識別
以的特徵向量x作為輸入來**輸出的結果是1還是0
(x,y)來標識乙個單獨的樣本
x是nx維的特徵向量
標籤y值為0或1
訓練集由m個訓練樣本構成
而(x^(1),y^(1))表示樣本一的輸入和輸出
這些一起就代表整個訓練集
m = m_train
x = [x(1),x(2)]行著為m個樣本數量，而豎著為n個樣本
總結：維度就是有多少特徵，樣本數就是橫著的那個。
logistic回歸是乙個用於二分分類的演算法
因為我們目標的y值需要0<=y<=1 所以我們需要將sigmoid函式作用到這個量上
sigmoid函式是這樣的
乙個光滑的從0~1的函式 與y軸交點為0.5 sigmoid本身的含義為s型
其中sigmoid(z)的表示為
如果z的函式非常大，那麼e^-z接近於0 相反則接近於1
所以sigmoid(z)是乙個大於0小於1的函式
至此我們可以用 y = sigmoid(wx+b)來訓練出 0<=y<=1的結果
我們期望讓訓練出的y值趨近實際y值
loss function :我們通過定義這個損失函式l來衡量你得**輸出值y 和 實際的y值有多接近
誤差平方看起來似乎是乙個合理的選擇，但用這個的話，梯度下降法就不太好用，在logistic回歸中，我們會定義乙個不同的損失函式，它起著與差方相似的作用這些會給我們乙個凸的優化問題。
即loss function 用來衡量期望的輸出與y之間的差異，換句話說，loss函式用來計算單個訓練例項的錯誤。
我們在此用的是這個函式
成本函式指的是整個訓練集損失函式的平均值。
我們要尋找的引數w和b是損失最小的cost值
使用 repeat{
w = w - a j()的導數
通過優化成本函式，來不斷地使w和b的值能擬合到實際值。
深度學習概論
在監督學習中，輸入x，習得乙個函式，對映到輸出y。比如上述應用於房價 的例子，輸入房屋的一些特徵，就能輸出 資料規模不大時，各種演算法之間的優劣很難衡量，最終的效能更多取決於手工設計元件的技能。由於傳統的機器學習模型無法處理海量的資料，資料規模過大後，它們的效能變進入了瓶頸期。與20年前相比，現在收...
AI 深度學習概論
什麼是是神經網路？假如有6間房屋的資料集，已知房子的面積，單位是平方公尺或平方英呎，已知房子的 如果通過這6間房子的 和房子的面積，房子的 首先要建立起乙個資料模型 x軸為 y軸為房子面積的模型 用這些資料，來擬合一條直線，但是明白一點，不可能為負數，然後一條擬合直線出來了 這個 房價的模型，是最簡...
深度學習之基本概論
深度學習 dl,deep learning 是機器學習 ml,machine learning 領域中乙個新的研究方向，它被引入機器學習使其更接近於最初的目標 人工智慧 ai,artificial intelligence 深度學習是學習樣本資料的內在規律和表示層次，這些學習過程中獲得的資訊對諸如文...