Da_haihuang的博客

sad阿萨德as阿萨德大所发生的发送目录sad阿萨德as阿萨德大所发生的发送到发送到到发送到

目标定位在图片中，需要定位到我们的目标，采用下图的方式：这里Y输出有8个量，分别是PC（判断是否是我们的目标），bx，by代表目标中心位置，bh，bw代表目标长宽，c1,c2,c3分别代表别的目标，误差函数也有所区别，当pc=1（也就是说图里面有我们要识别的目标，我们在，误差函数相应第一个）...

第三周参数调试      每个超参数如果设置得不好，都会对训练产生巨大的负面影响，而这些超参数有一个相对重要排名如下图：学习率alpha，动量beta，Adam算法中的beta1，beta2，ε，层数layers，隐藏层数节点的数量hidden units，学习衰退率 learning rate decay，数据切分大小mini-batch size 等等。其中学习率alpha是最重要的，其次动量beta，隐藏层数节点的数量hidden u

深度学习第二课程笔记-第二周这部分包括  1. 分割数据集  2. 优化梯度下降算法：     2.1 不使用任何优化算法     2.2 mini-batch梯度下降法     2.3 使用具有动量的梯度下降算法     2.4 使用Adam算法        想象一下成本函数J ，最小化成本就像找到丘陵的最低点，在训练的每一步中，都会按照某个方向更新参数，以尽可能达到最低点。它类似于最快的下山的路，如下图：数据处

深度学习第二课程笔记实际应用中，创建一个合适的训练集和测试集能大大提高我们的效率。训练集中，往往都是制作经精良，分辨率高的图片，而用户的测试中，可能只是随手拍，分辨率及照片质量较低的。基于这种情况，我们可以在训练集上训练尝试不同的模型框架，验证集评估这些框架，并且迭代选出适用的模型在进行时候，判断方差和偏差，如果过大，则进行模型的调整或者增大训练量，训练时间等等，反复尝试，直到拟合方差和偏差的理解：第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集；我们看看这些数据，很明显，

接深度学习第一课程笔记(1)更改不同数量的隐藏节点：plt.figure(figsize=(16, 32))hidden_layer_sizes = [1, 2, 3, 4, 5, 20, 50] #隐藏层数量for i, n_h in enumerate(hidden_layer_sizes): plt.subplot(5, 2, i + 1) plt.title('Hidden Layer of size %d' % n_h) parameters = nn_mode.

第一周概论