深度学习基础知识笔记

这篇具有很好参考价值的文章主要介绍了深度学习基础知识笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1 深度学习要解决的问题

怎么样提特征

2 应用领域

(1)无人驾驶,
计算机视觉
(2)人脸识别
移动端-计算量太大,速度慢,卡。
参数:成千上百万的。
(3)医学
(4)变脸
(5)图像自动上色

有监督的问题,

3 计算机视觉任务

1 分类:

挑战:照射角度,形状改变,部分遮挡,背景混入

套路:收集数据给定标签,训练分类器,测试评估

(1)K近邻算法

  • 不适合作为分类的算法。

4 视觉任务中遇到的问题

  1. 背景相同的放到一起了,关注的是主体。

5 得分函数

6 损失函数

w权重矩阵,是优化来的,什么样的w适合做当前的人物。
损失函数既能做分类又能做回归的。
衡量分类的结果。

损失函数是怎么定义的,网络是不会变的,不同的任务损失函数是不一样的。

7 前向传播整体流程

缺点过于强大了,否则过拟合了。

8 返向传播计算方法

深度学习基础知识笔记,深度学习,笔记,人工智能

1 梯度下降

深度学习基础知识笔记,深度学习,笔记,人工智能

9 神经网络整体架构

深度学习基础知识笔记,深度学习,笔记,人工智能
深度学习基础知识笔记,深度学习,笔记,人工智能

找参数,
深度学习基础知识笔记,深度学习,笔记,人工智能

11 神经元个数对结果的影响

12 正则化和激活函数

1 正则化

深度学习基础知识笔记,深度学习,笔记,人工智能
深度学习基础知识笔记,深度学习,笔记,人工智能

2 激活函数

非常重要
深度学习基础知识笔记,深度学习,笔记,人工智能
深度学习基础知识笔记,深度学习,笔记,人工智能

13 神经网络过拟合解决办法

1 数据预处理

深度学习基础知识笔记,深度学习,笔记,人工智能

2 参数初始化

深度学习基础知识笔记,深度学习,笔记,人工智能

3 DROP-OUT-七伤拳

深度学习基础知识笔记,深度学习,笔记,人工智能

深度学习基础知识笔记,深度学习,笔记,人工智能

视频

https://www.bilibili.com/video/BV15t4y1G7kq?p=14&vd_source=5c9c50b5a07b211beafdf65d7cc7f8c8文章来源地址https://www.toymoban.com/news/detail-644475.html

到了这里,关于深度学习基础知识笔记的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【人工智能】实验二: 洗衣机模糊推理系统实验与基础知识

    理解模糊逻辑推理的原理及特点,熟练应用模糊推理。 设计洗衣机洗涤时间的模糊控制。 已知人的操作经验为: “污泥越多,油脂越多,洗涤时间越长”; “污泥适中,油脂适中,洗涤时间适中”; “污泥越少,油脂越少,洗涤时间越短”。 模糊控制规则如表1所示: x y z

    2024年02月03日
    浏览(89)
  • 【人工智能】实验四:遗传算法求函数最大值实验与基础知识

    实验目的 熟悉和掌握遗传算法的原理、流程和编码策略,并利用遗传算法求解函数优化问题,理解求解流程并测试主要参数对结果的影响。 实验内容 采用遗传算法求解函数最大值。 实验要求 1. 用遗传算法求解下列函数的最大值,设定求解精度到15位小数。 (1)给出适应度

    2024年02月03日
    浏览(71)
  • 【人工智能】实验三 A*算法求解八/十五数码问题实验与基础知识

    熟悉和掌握启发式搜索的定义、估价函数和算法过程,并利用A*算法求解N数码难题,理解求解流程和搜索顺序。 以8数码问题和15数码问题为例实现A*算法的求解程序(编程语言不限)。 设计两种不同的估价函数。 设置相同的初始状态和目标状态,针对不同的估价函数,求得

    2024年02月03日
    浏览(126)
  • 【人工智能】实验五 采用卷积神经网络分类MNIST数据集与基础知识

    熟悉和掌握 卷积神经网络的定义,了解网络中卷积层、池化层等各层的特点,并利用卷积神经网络对MNIST数据集进行分类。 编写卷积神经网络分类软件,编程语言不限,如Python等,以MNIST数据集为数据,实现对MNIST数据集分类操作,其中MNIST数据集共10类,分别为手写0—9。

    2024年02月04日
    浏览(63)
  • 深度学习基础知识整理

    Auto-encoders是一种人工神经网络,用于学习未标记数据的有效编码。它由两个部分组成:编码器和解码器。编码器将输入数据转换为一种更紧凑的表示形式,而解码器则将该表示形式转换回原始数据。这种方法可以用于降维,去噪,特征提取和生成模型。 自编码器的训练过程

    2024年01月17日
    浏览(52)
  • 深度学习torch基础知识

    detach是截断反向传播的梯度流 将某个node变成不需要梯度的Varibale。因此当反向传播经过这个node时,梯度就不会从这个node往前面传播。 拼接:将多个维度参数相同的张量连接成一个张量 torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0) module即表示你定义的模型,devic

    2024年02月13日
    浏览(48)
  • 深度学习基础知识神经网络

    1. 感知机 感知机(Perceptron)是 Frank Rosenblatt 在1957年提出的概念,其结构与MP模型类似,一般被视为最简单的人工神经网络,也作为二元线性分类器被广泛使用。通常情况下指单层的人工神经网络,以区别于多层感知机(Multilayer Perceptron)。尽管感知机结构简单,但能够学习

    2024年02月03日
    浏览(53)
  • 深度学习基础知识-感知机+神经网络的学习

    参考书籍:(找不到资源可以后台私信我) 《深度学习入门:基于Python的理论与实现 (斋藤康毅)》 《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition (Aurelien Geron [Géron, Aurélien])》 机器学习和深度学习的区别: Perceptron(感知机) 感知机就是一种接收多种输入信

    2023年04月26日
    浏览(60)
  • 深度学习基础知识-pytorch数据基本操作

    1.1.1 数据结构 机器学习和神经网络的主要数据结构,例如                 0维:叫标量,代表一个类别,如1.0                 1维:代表一个特征向量。如  [1.0,2,7,3.4]                 2维:就是矩阵,一个样本-特征矩阵,如: [[1.0,2,7,3.4 ]                   

    2024年02月11日
    浏览(48)
  • 深度学习基础知识(三)-线性代数的实现

    1.标量使用 标量由只有一个元素的张量表示,标量可以做最简单的计算。 结果: 2.向量使用 向量:将标量值组成的列表就是向量 结果: 访问张量的长度 只有一个轴的张量,形状只有一个元素 创建一个二维矩阵5行4列,然后将矩阵做转置,轴对称的一个转置 结果:其实就是把

    2024年02月10日
    浏览(59)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包