l281865263的专栏

本文主要介绍了Neural Networks 神经网络的表示和学习方法，难点是back propagation的推导过程。本文转自 http://blog.youkuaiyun.com/abcjennifer/article/details/7758797。本文中讲解的back propagation的推导过程，没有看懂。deep learning官网上对这一部分解释得非常清楚，可参考http:/

本文转载自：http://blog.youkuaiyun.com/shuzfan/article/details/50723877本次所讲的内容为Batch Normalization，简称BN，来源于《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》，是一篇很好的

关于图像反卷积，有很多种说法，下面转一篇觉得好理解且正确的解释。作者：张骞晖链接：https://www.zhihu.com/question/43609045/answer/130868981来源：知乎著作权归作者所有，转载请联系作者获得授权。卷积(convolution):卷积核为 3x3；no padding , strides=1<im

转载请注明原文出处：http://blog.youkuaiyun.com/Dark_Scope/article/details/47056361前言好久没用正儿八经地写博客了，csdn居然也有了markdown的编辑器了，最近花了不少时间看RNN以及LSTM的论文，在组内『夜校』分享过了，再在这里总结一下发出来吧，按照我讲解的思路，理解RNN以及LSTM的算法流程并推导一遍应该是没有问题的。

原文：http://www.uran.donetsk.ua/~masters/2013/etf/kamozina/library/article8.pdf循环神经网络(RNN, Recurrent Neural Networks)介绍   这篇文章很多内容是参考：http://www.wildml.com/2015/09/recurrent-neural-networks-

最近在学习http://neuralnetworksanddeeplearning.com，一本详细介绍了neural networks and deep learning的书，作者写得深入浅出，全面透彻，是自学神经网络和深度学习的绝佳读物。通过学习这本书，把之前从Stanford University公开课Machine Learning课程中学到的知识又巩固了一遍，以前一知半解的知识点，现

本文转自这里本文主要讲解了machine learning中模型选择、评估的方法，重点在于诊断模型欠拟合或过拟合时用到的偏离bias和方差variance的概念，及其与正则化项的关系。原楼主在文中为了解释诊断偏离bias和方差variance的区别，定义并举例说明了二者的概念，深入浅出，值得学习。总的来说，同样的正则化参数，使得不同的训练数据训练出不同的模型。那么如果想评估

本文转自这里。本文主要介绍了deep learning的基本概念，比较精简易懂。关键其中推荐了一些相关的阅读资料，存看。Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。Key Words：有监督学习与无监督学习，分类、回归，密度估

这篇文章讲得非常好，简直就是把我从一个对卷积神经网络CNN里面的各种概念（通道，卷积核大小，fitler size，共享卷积等等）还一头雾水的状态，讲到了豁然开朗的感觉。之前用CNN做了很多实验，但对里面的这些概念以及它们如何与图像做的计算，一直都没有搞清楚，这下总算是明白过来啦哈哈！好文推荐，好好学习～卷积神经网络转载请注明：http://blog.youkuaiyun.com/stdcoutz

看了一篇发表在优快云首页云计算栏目下的文章，不知道首页的文章怎么收藏和转载，所以我直接把文章地址贴在这里吧！其实这篇没怎么看懂，只是对RNN有了个非常模糊的初步了解，先看一遍存下来，日后再结合其他资料深入地学习，相信慢慢就懂了！《深入探究递归神经网络：大牛级的训练和优化如何修成？》http://www.youkuaiyun.com/article/2015-01-28/2823747

如何计算感受野，看过的最正确最清楚的推导文章，推广一下。https://zhuanlan.zhihu.com/p/28492837转载：在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通过slid...