a245293206的博客

如何处理训练集在神经网络的计算中，通常先有一个前向传播(前向暂停 forward pause)，接着有一个反向传播（反向暂停 backward pause）的步骤。逻辑回归：一个用于二分类的算法以猫的识别为例图片（64X64像素）在计算机中的保存：三个64X64的矩阵,对应R,G,B三种像素的强度值。定义一个特征向量，线性存储所有像素值，总维度是64X64X3。输入是X（m...

什么是人脸识别？人脸验证：给定一个人和名字，验证是否匹配，一对一人脸识别：给定一个人，看他是谁？100个人的情况下，就需要高于99.9%的准确率One-Shot 学习在人脸验证上，有一个问题，那就是在数据库当中一个人可能仅有一张图片，那么神经网络很难通过一张图片来进行训练和学习以达到判断解决方法：学习一个相似函数给定两张照片，如果值很大，大于一个阈值，那么就是不一样的两个人如果值...

目标检测1 目标定位对象定位图片分类问题已经很熟悉了，构建神经网络的另一个问题，就是定位分分类问题：部基金要判断图中是不是一辆汽车，还要在图中标记处它的位置。假设是一个区分行人，汽车和摩托车的分类任务。pc,bx,by,bw,bh,c1,c2,c3p_c,b_x,b_y,b_w,b_h,c_1,c_2,c_3pc​,bx​,by​,bw​,bh​,c1​,c2​,c3​pcp_cpc​...

调试处理关于训练深度最难的事情之一就是你要处理的参数的数量来感受一下目前所能涉及的最复杂的神经网络有多少个超参数：mini−batch,β1,β2,ε,神经网络层数，每层隐藏单元数，αmini-batch,\beta_1,\beta_2,\varepsilon,神经网络层数，每层隐藏单元数，\alphamini−batch,β1​,β2​,ε,神经网络层数，每层隐藏单元数，α，还有可能进行学...

title: 6.优化算法tags: deep learning，吴恩达，netrual networknotebook: Deep Learning-eodMini-batch 梯度下降向量化：把训练样本放到一个巨大的矩阵X中：X=[x[1],x[2],...,x[m]]X = [x^{[1]},x^{[2]},...,x^{[m]}]X=[x[1],x[2],...,x[m]]...

训练，验证，测试集训练神经网络时，我们需要做出很多决策，比如：层数，每层的隐含单元数，学习速率，各层的激活函数等但是，不可能一开始就准确预测出这些超参。从一个领域或者应用领域得来的直觉经验，通常无法转移到其他应用领域在训练集上执行算法 通过验证集简单交叉验证集选择最好的模型 在测试集上进行评估训练集，验证集和测试集的比例随着数据的样本量增长是要变化的。总体趋势是：训练集占比变...

库函数导入import numpy as npimport h5pyimport matplotlib.pyplot as pltfrom testCases_v2 import *from dnn_utils_v2 import sigmoid, sigmoid_backward, relu, relu_backward%matplotlib inlineplt.rcParams...

4.1 深层神经网络前已经提到过：神经网络的层数是指不包括输入层的其他所有层数为了使反向传播更加明了，把各个变量的表达式整理出有：Z[l]=W[l]A[l−1]+b[l]Z^{[l]}=W^{[l]}A^{[l-1]}+b^{[l]}Z[l]=W[l]A[l−1]+b[l]A[l]=g[l](Z[l])A^{[l]}=g^{[l]}(Z^{[l]})A[l]=g[l](Z[l])L(...

具有一个隐含层的平面数据分类numpy进行科学计算的基础包。sklearn数据挖掘和数据分析简单有效的工具。matplotlib是Python绘制图形的库。testCases提供了一些测试示例来评估函数的正确性planar_utils提供此赋值中使用的各种有用函数此处创建的神经网络只有1个隐含层，输入层有2个节点，隐含层4个结点，输出层1个结...

用神经网络来实现精准撸猫第一步其实就是猫的分类，☺打开Google Colab后，首先第一步挂载Google Drive授权和验证!apt-get install -y -qq software-properties-common python-software-properties module-init-tools!add-apt-repository -y ppa:ales...

浅层神经网络概述[1]计算出z，α（第一层）z[1]=W[1]+b[1]z^{[1]}=W^{[1]}+b^{[1]}z[1]=W[1]+b[1] α[1]=sigmoid(z[1])α^{[1]}=sigmoid(z^{[1]})α[1]=sigmoid(z[1])[2]计算出z，α（第二层）z[2]=W[2]+b[2]z^{[2]}=W^{[2]}+b^{[2]}z[2]=W[2]...

循环序列模型为什么选择序列模型？数据符号：约定了一些符号表示，详情见书。单词建立一个词典（大小为10,000的话），然后用一个独热编码向量来表示（10,000维）循环神经网络模型 (RNN model)首先，一句话之间各个单词是有关联的其次，一句话中每个单词之间有先后顺序其次，一句话中单词数量各不相同单纯的利用以前学习到的神经网络模型，比如一句话有9个单词（也就是九个独热编...