《神经网络》学习笔记

最新推荐文章于 2025-11-24 21:26:24 发布
原创 最新推荐文章于 2025-11-24 21:26:24 发布 · 295 阅读 · 1 ·
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。
文章标签：

#神经网络 #深度学习 #neural network #deep learning

本文为初学者介绍深度学习中的核心概念——神经网络及其背后的反向传播算法。通过详细解析这两种技术的工作原理，帮助读者理解如何训练神经网络以解决复杂问题。
神经网络和深度学习（学习笔记）
weixin_52471034的博客
09-12 1730
1.1 感知机1.1 感知机当代多数神经网络论著主要使用名为 sigmoid 神经元的神经元模型。但要理解 sigmoid 神经元的来由，需要先了解感知机。感知机接收若干个二进制输入(x1,x2......) ，并生成一个二进制输出，其中，一般来说会使用权重（w1，w2.....）来表示输入的重要程度。神经元的输出究竟是 0 还是 1，则由加权和 于或大于某个阈值来决定。类似于权重，阈值也是实数，且是神经元的一个参数。
吴恩达卷积神经网络学习笔记（一）
qq_45498824的博客
01-15 2697
一.卷积神经网络（一） 1.1 计算机视觉 图片分类和图片识别，目标检测，图片风格迁移 特征向量的维度 卷积神经网络一般应用于计算机视觉领域，由于有的时候图片的像素点很多，导致神经网络输入特征值的维数很多。 1.2 边缘检测示例 弄清一张照片中的物体，利用电脑进行去识别，垂直边缘检测，水平边缘检测。 如下图所示，原图是一个661的矩阵，卷积核是一个331的矩阵，经过卷积后得到一个441的矩阵。（为了检测图像中的垂直边缘，可以构造一个3*3的矩阵，在共用习惯中，在卷积神经网络的.
神经网络基础知识（神经网络简介）
qq_19304485的博客
09-11 6459
一、生物神经网络 神经元是大脑处理信息的基本单元； 神经元主要由细胞体、树突、轴突和突触(Synapse，又称神经键)组成 ； 树突是树状的神经纤维接收网络，它将电信号传送到细胞体； 细胞体对这些输入信号进行整合并进行阈值处理； 轴突是单根长纤维，它把细胞体的输出信号导向其他神经元； 一个神经细胞的轴突和另一个神经细胞树突的结合点称为突触 ； 神经元的排列和突触的强度(由复杂的化学过程...
一文看懂25个神经网络模型
热门推荐
刘炫320的博客
06-17 25万+
1. 引言在深度学习十分火热的今天，不时会涌现出各种新型的人工神经网络，想要实时了解这些新型神经网络的架构还真是不容易。光是知道各式各样的神经网络模型缩写（如：DCIGN、BiLSTM、DCGAN……还有哪些？)，就已经让人招架不住了。因此，这里整理出一份清单来梳理所有这些架构。其中大部分是人工神经网络，也有一些完全不同的怪物。尽管所有这些架构都各不相同、功能独特，当我在画它们的节点图时……其中潜在
神经网络知识点汇总——FNN
起风之后，只剩沙丘
09-08 1万+
本文基于文章，对神经网络的知识点做一个总结，可能不会对某些概念性的东西做详细介绍，因此需要对神经网络有基本的了解。 FNN：前馈神经网络   神经网络的最基本也是最经典的形式，结果包括输入层，隐藏层和输出层，根据隐藏层的多少，分为shallow network和deep network（deep learning由此而来） Activation function   在神经网络的每
神经网络学习笔记
qq_51682716的博客
11-12 3468
最近在学习一门深度学习与机器视觉的专业课，感觉自己的深度学习的基础很是不牢固，所以打算从最简单的神经网络整理一下知识 神经网络学习笔记
神经网络学习笔记1——BP神经网络原理到编程实现（matlab，python）
weixin_56619527的博客
01-13 6万+
神经网络学习笔记1——BP神经网络原理到编程实现（matlab，python）
深度学习—神经网络学习笔记
weixin_57672300的博客
10-06 628
无
学习笔记：卷积神经网络（CNN）
2401_83327355的博客
10-01 2526
文章的内容是在我看了一些卷积神经网络的网课，以及文章后结合自己的理解，对于卷积神经网络的原理进行总结。参考文章写文章的本意是记录自己学习的过程，内容可以源自于教学视频或者文章，我只是学完进行总结。
BP神经网络入门 学习笔记
Charles
07-06 1486
BP是 Back Propagation 的简写 ，意思是反向传播。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
精选资源
神经网络学习笔记-神经网络基础（三）
03-31
本笔记主要聚焦于神经网络的基础概念，包括神经元模型、网络结构、激活函数、损失函数以及优化算法等核心元素。 首先，神经元是神经网络的基本构建单元。它模仿生物神经元的工作方式，接收输入信号，通过加权求和后...
卷积神经网络学习笔记
11-16
### 卷积神经网络(CNN)学习笔记 #### 概念与原理 **卷积神经网络**(Convolutional Neural Network, CNN)是一种专门用于处理具有网格结构的数据（如图像）的深度学习模型。CNN因其在图像分类、物体识别等领域的出色...
cs224w 图神经网络 学习笔记（一）Introduction1
08-04
图神经网络学习笔记（一）Introduction 本篇笔记主要介绍了图神经网络的基础知识，包括图的优势、图论的基本概念、网络的定义、图的结构、图的不同形式和图的存储等。 1. 图的优势 图是一种通用语言，能够描述...
[原创]机器学习与神经网络学习笔记1
08-04
- **学习的本质**：讨论神经网络学习的本质，即通过优化权重参数以最小化预测误差来学习模式和规律。 - **神经网络的数学本质**：这部分深入到神经网络的数学基础，可能涉及线性代数、微积分和概率论，解释神经元...
图神经网络学习笔记
m0_57180439的博客
06-18 1503
图神经网络学习笔记
手写数字识别：从零搭建神经网络
一无所知的世界，走下去才有惊喜。让我们永远相信美好的事情即将发生，成为比昨天更优秀的自己。
11-19 1140
本文介绍了一个基于卷积神经网络(CNN)的手写数字识别系统，使用MNIST数据集实现。系统包含两个核心组件：模型构建(model.py)和训练过程(train.py)。模型采用典型CNN结构，包括卷积层(特征提取)、展平层(数据转换)和全连接层(分类计算)。训练过程通过数据预处理(归一化、添加通道维度)、批量训练(32样本/批次)和Adam优化器完成。系统在5个epoch内即可达到较高准确率，展示了CNN在图像识别任务中的有效性。整个过程清晰展现了深度学习模型的构建、训练和评估流程。
【神经网络与深度学习（吴恩达）】神经网络基础学习笔记
qq_62361050的博客
11-24 707
接下来我们符号化一下表示，首先将x和y放在一起，x表示某张图片的特征向量，y表示分类结果，将所有的样本图片和与其对应的分类结果放在一块，即可组成数量为m的训练集，然后将所有x特征向量按列依次放入一个矩阵中即可组成一个X，表示待分类的图片特征数据矩阵，在Python语言中X.shape = (nx,m)，分类完成后，结果矩阵Y，表示所有分类结果数据，在Python语言中Y.shape = (1,m)。一个神经网络的计算都是按照前向或反向传播过程来实现的，首先计算出神经网络的输出，紧接着进行一个反向传输操作。
神经网络深度解析：从神经元到深度学习的进化之路
qq_51229257的博客
11-24 686
周志华《机器学习》第五章“神经网络”是连接传统机器学习与深度学习的桥梁——它从模拟人脑神经元的基本模型出发，逐步构建多层网络，核心突破是BP算法的提出，最终延伸到深度学习的核心思想。本章的核心逻辑是：通过“神经元加权求和+激活函数”构建基本单元，用多层结构拟合非线性关系，靠BP算法优化参数，再通过不同网络拓扑适应不同任务。本文将从“基础模型→核心算法→代码实现→习题解答”四个维度，用通俗比喻和实例拆解第五章的核心知识，帮你吃透神经网络的设计原理与工程实践。神经网络的最小单元是神经元，源于1943年提出的M-
深度学习——神经网络
最新发布
2303_80634169的博客
11-24 3663
本文梳理了深度学习中的核心网络模型及其组件。基础模型包括MLP（全连接层堆叠）、CNN（卷积结构处理图像）、RNN（循环结构处理序列）和Transformer（自注意力机制）。扩展模型涵盖跨模态融合（如CLIP）、图神经网络（如GCN）和强化学习网络（如DQN）。核心组件涉及网络层（卷积/全连接/注意力等）、激活函数（ReLU/Sigmoid等）、优化器（Adam/SGD等）、损失函数（交叉熵/MSE等）以及数据处理方法。通过系统分类和典型示例，为深度学习模型选择与设计提供参考框架。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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