本文探讨了深度学习的核心——深度神经网络，包括标准NN、CNN和RNN，并阐述了结构化与非结构化数据的区别。深度学习的兴起源于数据规模、计算能力提升和算法创新，特别是ReLU函数的引入。此外，还讲解了单个神经元（逻辑回归）的计算过程。
*深度神经网络的主要内容
*结构化数据和非结构化数据
*为什么深度学习会兴起？
*单个神经元（逻辑回归）的计算
一、深度神经网络的主要内容
标准神经网络（NN）
卷积神经网络（CNN）
循环神经网络（RNN）
二、结构化数据和非结构化数据
三、为什么深度学习会兴起？
推动深度学习变得如此热门的主要因素：
1.数据规模
2.计算量
3.算法的创新。
数据推动深度学习发展：
神经网络方面的一个巨大突破是从sigmoid函数转换到一个ReLU函数。
四、单个神经元（逻辑回归）的计算
神经网络讲课递进内容：
权重矩阵行列（TensorFlow）定义:直观、方便
单个神经元单样本计算：
单个神经元多样本计算：
专题项目训练：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
