深度学习-学习笔记

最新推荐文章于 2022-10-06 16:21:40 发布
原创 最新推荐文章于 2022-10-06 16:21:40 发布 · 802 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文是关于深度学习的学习笔记，涵盖了应用数学如奇异值分解、矩阵运算、概率分布等基础知识，以及机器学习中的条件概率、期望和协方差等概念。深度学习通过简单的表示学习复杂概念，依赖于强大的计算能力、大量数据和多层次的组合。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习-学习笔记

背景知识

  • 人工智能
  • 深度学习
  • 人工智能的知识库
  • 机器学习
  • 逻辑回归
  • 朴素贝叶斯
  • 数据的表示
  • 表示学习
    • 使用机器学习来发掘表示本身！
    • 表示学习算法在短时间内就可以发现一个很好的特征集
    • 表示学习的经典例子：自编码器
    • 变差因素
    • 能够解释观察数据的因素(这些因素通常是不能被直接观察到的量)
    • 他们可以看做数据的概念或者抽象，帮助我们了解数据的多样性
    • 影响目标数据(观察数据)的额外因素

    深度学习通过其他比价简单的表示来表达比较复杂的表示–解决了表示学习中的核心问题
  • 深度学习让计算机通过简单的概念来构造复杂的概念
  • 深度学习的深度(这里采用计算图的深度来表示)取决于我们对模型的衡量元素的选择！可能按照简单的计算机步骤来分，也可能按照基本的模型结构作为整体来分。
  • 深度学习的普遍原理：多层次组合

  • 鉴于将哺乳动物的视觉信号传至听觉领域，他们可以用听觉处理领域去“看”，这表明大多数哺乳动物的大脑可以使用单一的算法来来解决大部分不同的任务。这也就暗示着多个领域的研究，其方法可能是一致的，或者相互可借鉴的。

  • 联结主

最低0.47元/天 解锁文章

200万优质内容无限畅学
线性代数——矩阵复习
snowdroptulip的博客
04-08 2147
这篇文章是为了复习矩阵的一些知识 正交矩阵 如果：AAT=EAA^T=EAAT=E（EEE为单位矩阵，ATA^TAT表示“矩阵AAA的转置矩阵”），或ATA=EA^TA=EATA=E，则nnn阶实矩阵AAA称为正交矩阵。 若AAA为正交阵，则满足以下条件 : 1)ATA^TAT是正交矩阵 2)（EEE为单位矩阵） 3)ATA^TAT的各行是单位向量且两两正交 4)ATA^TAT的各列是单位向量且两...
李沐动手学深度学习-学习笔记
最新发布
03-15
李沐动手学深度学习-学习笔记 深度学习是人工智能领域的热门研究方向，近年来随着计算能力的提升和大数据的普及，深度学习技术在图像识别、语音识别、自然语言处理等多个领域取得了突破性进展。李沐作为深度学习...
1 矩阵代数
fgh123的博客
01-19 1410
1
矩阵分析与应用+张贤达
m0_45085885的博客
07-12 637
任意一个正方矩阵AAA的二次型xHAxx^HAxxHAx是一实标量。以实矩阵为例，考查二次型 xTAx=[x1x2x3][142−175−163][x1x2x3] x^TAx = \begin{bmatrix} x_1 & x_2 & x_3 \end{bmatrix} \begin{bmatrix} 1 & 4 & 2 \\ -1 & 7 & 5 \\ -1 & 6 & 3 \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ x_3 \end{bmatrix} x
奇异值分解(SVD)原理与在降维中的应用
tx4122的博客
05-06 406
奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。 1. 回顾特征值和特征向量 我们首先回顾下特征值和特征向量的定义如下： Ax=λxAx=λx...
【089】深度学习读书笔记：P29证明迹Tr(AB)=Tr(BA)
zhangchao19890805的专栏
10-05 1万+
已知m行n列矩阵A，n行m列矩阵B。Tr表示迹运算。求证 Tr(AB)=Tr(BA) 。
动手学深度学习-学习笔记（五）
01-06
本文的主要内容有：：卷积神经网络基础；leNet；卷积神经网络进阶 一、卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。...
Deep AI 吴恩达深度学习-课程笔记
05-04
Deep AI 吴恩达深度学习-课程笔记 本文档是吴恩达老师深度学习课程(deeplearning.ai)的笔记，旨在帮助计算机专业人士掌握深度学习技术。课程共五堂课，涵盖深度学习的基础、神经网络的构建、卷积神经网络（CNN）、...
Halcon深度学习-从零开始学习，学习笔记（都是细节）-分类完整版.rar
06-13
本学习笔记主要聚焦于Halcon的深度学习技术，从零基础开始，深入浅出地讲解了如何利用Halcon进行深度学习模型的训练和应用。这份资料可能是由一系列文档或教程组成的，包括XML配置文件、关系文件、Word文档以及可能...
矩阵分解基础介绍
10-15
矩阵分解 LU分解 QR分解等矩阵常用分解介绍，是数值分析基础
线性代数之 奇异值分解 svd
水w的博客
10-06 2786
线性代数之 奇异值分解 svd
矩阵的迹满足交换性：tr(AB)=tr(BA)
Kai-Xuan
06-02 1万+
对于任意两个矩阵A∈Rm×n,B∈Rn×mA \in R^{m \times n},B \in R^{n \times m}A∈Rm×n,B∈Rn×m，我们有tr(AB)=tr(BA)tr(AB)=tr(BA)tr(AB)=tr(BA)   tr(AB)=∑i=1m[AB]ii=∑i=1m∑j=1naijbji=∑j=1n∑i=1mbjiaij=∑j=1n[BA]jj=tr(BA)tr(AB) = \sum_{i=1}^{m}[AB]_{ii}= \sum_{i=1}^{m} \sum_{j=1}
矩阵的tr
机器学习与遥感图像智能信息处理
11-14 6760
转载请声明出处：http://www.cnblogs.com/gaoshangbing/articles/1700717.html在线性代数中，n乘n方阵“A”的迹，是指“A”的主对角线各元素的总和（从左上方至右下方的对角线），例如： tr(A)=A 1,1 +A 2,2 +...+A n,n  tr(A) = A_{1,1} + A_{2,2} + ... + A_{n,n} 其中 A ij
【深度学习数学基础】矩阵特征值和特征向量的计算
zl3090的博客
09-25 1543
本文主要转载自：https://blog.youkuaiyun.com/Junerror/article/details/80222540 1.矩阵特征值和特征向量定义         A为n阶矩阵，若数λ和n维非0列向量x满足Ax=λx，那么数λ称为A的特征值，x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)x=0，并且|λE-A|叫做A 的特征多项式。当特征多项式等于0的时候，称...
矩阵迹的常用性质，导数，以及推导过程
开飞机的小毛驴儿
05-23 927
转载自：https://blog.youkuaiyun.com/weixin_41770169/article/details/79562314，本文只做个人记录学习使用，版权归原作者所有。
矩阵的TR迹的相关性质
热门推荐
qq_33166535的博客
11-24 5万+
参考地址：http://www.cnblogs.com/gaoshangbing/articles/1700717.html 相关概念： (1)设有N阶矩阵A，那么矩阵A的迹（用    表示）就等于A的特征值的总和，也即矩阵A的主对角线元素的总和。 1.迹是所有对角元的和 2.迹是所有特征值的和 3.某些时候也利用tr(AB)=tr(BA)来求迹 4
深度学习笔记：解析RBM网络结构与功能
"该资源是一份关于深度学习的笔记，主要聚焦于限制波尔兹曼机（Restricted Boltzmann Machine, RBM）。笔记详细介绍了RBM的网络结构、参数及功能，包括编码和解码过程。" 在深度学习领域，限制波尔兹曼机（RBM）是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值