1. 機器學習中的數學基礎；2.機器學習三要素：模型、策略、演算法。3.卷積神經網路的基本組成：卷積；池化；全連線。卷積神經網路的典型結構。
應用： 分類、檢索、檢測、分割 人臉識別，影象生成影象風格轉化… 損失函式用來衡量吻合度。 傳統神經網路與之區別： 全連線網路：引數太多：權重矩陣的引數太多，造成過擬合（泛化性差） 卷積神經網路：乙個神經元連線區域性塊 區域性關聯，引數共享 相同之處：分層 1.卷積 是對兩個實變函式的一種數學操作。 輸入，卷積核，權重，感受野，特徵圖，歩長（不夠就零填充） 特徵圖大小：(n-f)/stride+1 n為輸入 f為卷積 stride歩長 有padding則為：(n+padding *2-f)/stride+1 卷積的視覺化理解： 2.池化 保留特徵同時減少引數和計算量 防過擬化 分為最大值池化和平均值池化 3.全連線 兩層間所有神經元都有權重連線 一般在卷積神經網路尾部 典型結構： alexnet： relu函式解決梯度消失問題，計算速度快，收斂速度快於sigmoid dropout：防止過擬 隨機關閉部分神經元 測試時整合所有神經元 資料增強：平移、翻轉、對稱 卷積- relu -池化 zfnet：網路結構與alexnet相同 vgg： 增加了層數 錯誤率降低 googlenet： 參數量少，層數多 inception模組？公升級主要為了減少引數數量 v3：用小的卷積核代替 resnet: 殘差的思想
第3次作業 卷積神經網路
特徵向量和秩的講解思路很不一樣，好神奇啊！這次學過概率了，能看懂的終於多了一點點tat，似然函式取最大值來估算引數是因為，其為樣本事件的理論概率，事件發生，那麼取理論上發生概率最大的那個情況，因此可以使用極大似然策略對模型引數進行優化。全連線網路的引數太多，容易過擬合，卷積神經網路通過滑動視窗並且引...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...