Datawhale-李宏毅深度学习Day4

最新推荐文章于 2025-12-22 18:37:45 发布

原创最新推荐文章于 2025-12-22 18:37:45 发布 · 285 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #机器学习

机器学习专栏收录该内容

7 篇文章

订阅专栏

本文深入浅出地介绍了深度学习的基础概念，重点讲解了反向传播算法在神经网络训练中的关键作用，包括如何选择网络结构、模型评估与参数优化过程。

深度学习及反向传播机制

深度学习

深度学习，即deep learning，是机器学习领域中一个新的研究方向。

学习步骤

选择神经网络
进行模型评估
选择最优函数

反向传播

反向传播算法是目前用来训练人工神经网络的最常用且最有效的算法。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

xyuuuyx

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

李宏毅深度学习day one#Datawhale X 李宏毅苹果书 AI夏令营#

2301_80901708的博客

08-26

1029

博主大二工科在读，学深度学习的目的在于训练机器识别魔方六面颜色并给予相应编号，优化魔方复原机器人的识别速度。同时为保研夏令营做准备。机器学习约等于让机器具备选择函数的能力机器学习的类别：回归(regression)、分类(classification)、结构化学习(structured learning)回归：输入一串数组，输出一个数值分类：类别由人类设定，由机器进行分拣。例如，邮箱中分为垃圾邮件和工作邮件结构化学习：让机器创造一个自带结构的东西，例如，图形结构，一篇文章。。具体还待学习书中以预测视频平台的

DATAWHALE-李宏毅机器学习-4

ruthzhang1018的博客

09-18

370

深度学习的简单介绍，其中初探深度学习中的主要模型--神经网络的相关知识。

参与评论您还未登录，请先登录后发表或查看评论

Datawhale-李宏毅深度学习Day6

Spiceboyyy的博客

08-28

330

卷积神经网络

Datawhale-李宏毅深度学习Day5

Spiceboyyy的博客

08-25

486

深度学习

Datawhale-李宏毅深度学习Day1

Spiceboyyy的博客

08-15

484

ml自学笔记

Datawhale-李宏毅深度学习Day3

Spiceboyyy的博客

08-21

384

机器学习误差分解及梯度下降

Datawhale-李宏毅深度学习Day2

Spiceboyyy的博客

08-17

477

回归任务、寻找模型、过拟合现象及优化

【李宏毅深度学习】局部极小值与鞍点 - Datawhale X 李宏毅苹果书 AI夏令营 Day1

m0_73906915的博客

08-22

379

在深度学习的优化过程中，局部极小值与鞍点是两个常见的“陷阱”，它们可能会阻碍模型的进一步优化，导致损失函数无法继续下降。深度学习的优化之路并非一帆风顺，局部极小值和鞍点是我们常遇到的挑战。了解并掌握这些概念与应对策略，将帮助你更好地训练深度学习模型，避免陷入优化的死胡同。，我们可以沿着特征值为负的方向更新参数，从而逃离鞍点，继续优化模型。这一过程相对复杂，实际中通常不会直接计算海森矩阵，而是采用其他优化策略，如。如果有正有负特征值，该临界点则为鞍点。因此，优化过程中更多时候遇到的是鞍点，而非局部极小值。

day1-李宏毅机器学习

啧啧怪的博客

09-13

418

目录心得体会一、hand-crafted rules二、三类学习方法三、迁移学习四、强化学习心得体会今天开始参加开源学习组织datawhale的组队学习--李宏毅机器学习，再次写一系列文章记录我的学习笔记与感悟。 李宏毅老师的讲课生动形象，中间自然而然穿插的英语让人听起来很舒服，有点口音也让人觉得课堂很有趣。初识机器学习，首先是机器学习的步骤（如何将大象放入冰箱？）第一个步骤就是找一个function，第二个步骤让machine可以衡量一个function是好还是不好，第三个步骤是让machine

Datawhale X 李宏毅苹果书 AI夏令营 - Day1

weixin_61443215的博客

08-26

299

方式：给parameter随意找两个点，w0和b0，使用梯度下降的方法不断向梯度为0的最小点移动，移动大小取决于学习度（learning rate）。方式：根据对过去已有的经验/数据 - 领域知识（domain knowledge）来预测未来的可能性，找出最接近现实的那个。- 鞍点（Saddle Points），过拟合（Overfitting），欠拟合（Underfitting）- 局部最小点v.s全局最小值：找到的梯度为0的可能只是局部最小点，而不是全局最小点。Loss function 为什么是负的？

台大-李宏毅-B站机器学习视频-课件.zip

09-30

台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器...

DATAWHALE-李宏毅机器学习-1

ruthzhang1018的博客

09-12

396

李宏毅老师机器学习课程引言部分，机器学习领域的简单概览。

【DataWhale-李宏毅深度学习】Task04深度学习介绍和反向传播机制

LucyLuo2020的博客

07-15

262

参考链接：https://datawhalechina.github.io/leeml-notes 文章目录一、深度学习的发展趋势二、深度学习的三个步骤2.1 神经网络（Neural network）2.2 模型评估（Goodness of function）2.3 选择最优函数（Pick best function）三、反向传播四、总结一、深度学习的发展趋势回顾一下深度学习（deep learning）的历史： 1958: Perceptron (linear model) 1969: Percep

深度学习常用工具和库介绍

2301_81354580的博客

12-21

588

即使对于有一定基础的人来说，如果之前没有接触过python，学习深度学习的时候，对一些工具和依赖库依然会感到陌生，我自己就是学Java的，最近在学习深度学习，对 python接触不多，因此对其中一些工具并不熟悉，所以整理了一些常用的介绍一下，当然后续可能还会增加。

Day 45 简单CNN@浙大疏锦行

最新发布

qq_35619695的博客

12-22

541

探究修改卷积神经网络（CNN）的深度与宽度，以及改变学习率调度器对模型训练效果的影响。

【深度学习】Mask R-CNN在温室番茄成熟度检测中的应用——基于ResNet18与FPN的多级特征融合分类系统

Lun3866buzha的博客

12-18

687

本文提出了一种基于改进Mask R-CNN的温室番茄成熟度检测系统，通过结合ResNet18骨干网络和FPN多级特征融合技术，实现了对不同成熟度番茄的高精度识别。系统采用5000张标注图像进行训练，通过数据增强提高模型鲁棒性，最终在测试集上达到92.3%的准确率和89.7%的mAP。实际部署采用边缘计算设备，处理速度达20FPS，显著提升了番茄采摘效率。实验表明，该系统在复杂光照条件下表现稳定，为智能农业提供了有效的技术解决方案。

Pytorch经典卷积神经网络-----激活函数篇

2301_77958892的博客

12-18

769

在神经元的数学表达式 (y = h(wx+b)) 中，h、w、b 分别代表激活函数、权重参数、偏置参数，三者是构成单个神经元的核心要素，共同实现对输入信号的加权变换与非线性映射其中h则为激活函数一个非线性函数，用于对线性变换结果 (wx+b) 进行映射，让神经元具备非线性表达能力。核心作用：如果没有激活函数，无论神经网络有多少层，最终输出都是输入的线性组合（多层线性变换等价于单层线性变换），无法拟合复杂的非线性任务（如图像分类、语音识别）。

基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

ningfoshao8678的博客

12-16

968

本文介绍了基于YOLO目标检测算法开发的肾结石检测系统。该系统支持图片、视频、文件夹批量及摄像头实时检测，包含用户登录、多模型切换等功能。技术栈采用Python3.10、PyQt5和SQLite，对比了YOLOv5/v8/v11/v12四种模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统在17000张肾脏影像数据集上训练，mAP@0.5达90%，F1值0.86，能有效识别肾结石位置并显示置信度。

入门篇--人工智能发展史-4-点燃深度学习革命的那把火，AlexNet

weisian的博客

12-20

835

摘要： AlexNet（2012）是深度学习革命的里程碑模型，以15.3%的错误率横扫ImageNet竞赛，比传统方法提升10个百分点。其成功源于三大突破：1）ReLU激活函数解决深层网络梯度消失问题；2）GPU并行训练将训练时间从数周缩短至5-6天；3）Dropout正则化防止过拟合。该模型奠定了现代CNN的“卷积+池化+全连接”范式，推动GPU成为AI基础设施，并验证了“数据+算力+算法”的铁三角逻辑。AlexNet直接引爆了全球深度学习热潮，其设计思想至今仍是计算机视觉的基石。