在網上看了吳恩達老師的慕課，現在來總結一下
神經網路： 由神經元組成的網路，這些神經元構成了乙個完全圖
神經元： 神經元有很多種，有線性的，有卷積的。
結合具體的例子來說一下，比如說影象識別吧
我把一張影象輸入每乙個神經元，然後每乙個神經元對這個影象進行處理，然後輸出乙個**值。
總有點仿生學的感覺
然後就是對神經網路的訓練了
我們訓練神經網路需要大概一千個左右的樣本吧
然後對於每個樣本，我們都要附帶乙個標籤，表面這個樣本是正樣本還是負樣本。
經過幾千次的訓練之後，我們的神經網路就能處理啦
現在我們可以發現乙個問題，神經網路只能處理不是0就是1的問題，這個。。。在後面的學習中也許會有解答吧
迴圈神經網路 對RNN的理解
愛看 v電影 nn。有人就會說，這個任務可以交給普通的卷積神經網路來做，就是乙個簡單的分類任務。不否認這種方法是可以的，但是在乙個句子中，單詞的前後關聯性對詞性 是由很大影響的。比如說 電影的時候，由於前面乙個詞是動詞，那麼電影這個詞作為名詞的概率會大於作為動詞的概率，因為動詞後面接名詞的情況很常見...
理解神經網路
了解了什麼是神經單元，就很容易理解神經網路，神經網路就是一系列神經單元連線而成構成的網路結構，如下圖 這是乙個5層神經網路，包括輸入層和輸出層，輸入層也叫做資料層，一般接收資料的輸入。這裡每一層的神經單元都與相鄰層的神經單元連線，而與本層的神經單元無連線，因此也叫全連線神經網路。使用神經網路訓練影象...
神經網路 神經網路中的矩陣的理解
在 深度學習入門 基於python的理論與實現 書中，看到講解矩陣的章節，加深了我對矩陣的理解。脫離應用理解數學是很難的。將矩陣放在深度學習的環境裡可以較好的理解矩陣的含義。這裡假設你已經學過矩陣。對於神經網路，我更傾向於理解為 因素 輸入層 影響因子 權重 結果 輸出層 這更貼近實際中的因果關係。...