神经网络构架:
- 25张图了解神经网络常用模型
- RNN结构:层之间的神经元也建立权连接
- 随着序列的不断推进,前面的隐层将会影响后面的隐层。图中O代表输出,y代表样本给出的确定值,L代表损失函数,我们可以看到,“损失“也是随着序列的推荐而不断积累的
神经网络细节:
- 理解dropout
- Dropout实现(向前传播向后传播)
- Receptive field(感受野)
- BP神经网络讲解
- 利用输出后的误差来估计输出层的直接前导层的误差,并调整连接权值
- 监督学习和非监督学习区别
- 监督学习:有明确的预期输出;非监督学习:输出完全没有预期
卷积神经网络CNN:
- 主要用于图像处理和分类
- CNN 入门讲解:什么是全连接层(Fully Connected Layer)
- 激活函数可以解决的问题和基本函数
- CNN中softmax,softmax loss和cross entropy
- 理解交叉熵损失(Cross-Entropy)