（MIT）DEEP LEARNING 学习笔记（2）

最新推荐文章于 2025-11-25 14:31:30 发布

原创最新推荐文章于 2025-11-25 14:31:30 发布 · 293 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #麻省理工

DL 专栏收录该内容

4 篇文章

订阅专栏

本文回顾了深度学习的发展历史，从最初的线性分类器到仿生物感知器，最终到达深度学习阶段。通过详细解析每个阶段的技术特点，有助于读者深入理解深度学习的演进过程。

今天看了书中的第二部分，主要介绍DEEP LEARNING 的历史和演化历程。
从最开始的线性分类器，到后面的仿生物感知器，最后到DEEP LEARNING。深度学习经过了一次次的进化。
书中把进化时候每类都拿出来单独讲了些，对理解深度学习有很大帮助

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

logicor

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

论文阅读笔记——Xception: Deep Learning with Depthwise Separable Convolutions

人生不是轨道，是旷野。希望每天都有好心情。

09-14

1222

我们提出了卷积神经网络中Inception模块的解释，作为常规卷积和深度可分离卷积操作(深度卷积之后是点卷积)之间的中间步骤。从这个角度来看，深度可分离卷积可以被理解为具有最大数量塔的Inception模块。这一观察结果使我们提出了一种受Inception启发的新型深度卷积神经网络架构，其中Inception模块已被深度可分离卷积所取代。

(MIT)Deep learning 学习笔记（1）

logicor的博客

03-20

845

从今天每天会定量学习DEEP LEARNING。MIT这本书可以说是DEEP LEARNING 方向的启蒙，这个博客系列将会是我学习笔记。开篇就告诉了我们，这本书是为了想了解深度学习的年轻本科生或者像我这种想从图像算法转行做DL的人准备的。人类的文化形成了近千年，人的意识早就抽象的不能早抽象了，虽然是由神经元的简单连接、刺激，但是人类的思维已经复杂到连人类自己都无法模拟了。国外曾经有人多次尝试通

参与评论您还未登录，请先登录后发表或查看评论

MIT 6.S191: Evidential Deep Learning学习笔记

Rad1ant_up的博客

12-15

6545

MIT公开课——Evidential Deep Learning

MIT深度学习笔记（一）深度学习简介

2401_83429166的博客

07-28

2272

超级超级超级好用的深度学习入门课程，快来和我一起学习吧。有任何见解都欢迎指教，有任何疑问都可以在评论区留言。你们的关注和点赞是我不断创作的动力！

(MIT)Deep learning 学习笔记（3）

logicor的博客

03-28

340

最近事情很多，房子漏水要换房整整折腾了一周。虽然是第三次写学习笔记了，但才刚刚读完序章，第一章还没开始。绪论后半部分是围绕着深度学习因何而变得炙手可热的。随着计算机硬件发展，运算能力进一步提高，那么深度学习的模型的复杂上限也越来越高。再加上数据库的不断膨胀，导致所谓的“大数据”时代来临，海量的数据使得深度学习如鱼得水，再加上基本结构简单，人们开发了各式各样的神经网络。然后开始第一部分学习，App

Deep Learning（深度学习）学习笔记

缘分天空，美丽的梦的博客

11-12

3067

一、概述 Artificial Intelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。是的，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。图灵（图灵，大家都知道吧。计算机和人工智能的鼻祖，分别对应于其

Deep Learning（深度学习）学习笔记整理

小鬼柯南

05-04

1806

转载：http://blog.youkuaiyun.com/u011964544/article/details/37960807?locationNum=8&fps=1 目录：一、概述二、背景三、人脑视觉机理四、关于特征 4.1、特征表示的粒度 4.2、初级（浅层）特征表示 4.3、结构性特征表示 4.4、需要有多少个

Deep Learning for Computer Vision 课程笔记

qq_34929889的博客

05-19

1091

Deep Learning for Computer Vision 课程笔记–Lecture 1 计算机视觉(Computer Vision)和机器学习(Machine Learning)都属于人工智能(Artificial Intelligence)。深度学习(Deep Learning)是机器学习的一个子集，它与计算机视觉相交，并属于更大的AI领域。 CV和DL的背景计算机视觉的历史是从60年代初开始的，Block World 是由Larry Roberts出版的一部作品，被广泛地称为计算机视觉的第一

Task01阅读笔记：深度学习革命（The Deep Learning Revolution）

a2507283885的博客

06-19

595

第一章主要就是讲解一些背景，展示一下大致流程，知识量其实并不大。如果学过机器学习相关的内容其实完全可以跳过不看。

【机器学习笔记】可解释机器学习-学习笔记 Interpretable Machine Learning (Deep Learning)

VentusDeus的博客

12-13

1162

可解释机器学习-笔记和代码

2301_78372746的博客

11-24

1516

鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。

MixFormer: A Mixed CNN–Transformer Backbone

11-25

704

尽管基于自注意力机制的Transformer模型近年来通过建模长程语义依赖关系推动了医学影像分析的发展，但其在捕捉局部空间细节方面的能力仍逊于卷积神经网络（CNN）。本研究提出了一种新型分割网络（SEG），其核心是基于CNN-Transformer混合架构（MixFormer）的特征提取主干网络，旨在提升医学图像分割性能。MixFormer在网络下采样过程中有机融合了Transformer的全局信息建模能力和CNN的局部特征提取优势。

Python模型优化实战：深度学习加速与压缩技巧

我是二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~

11-21

1976

Python模型优化实战：深度学习加速与压缩技巧

循环神经网络详解（五）：深层 RNN - 层次的艺术

limenga102的专栏

11-25

层次化思维：通过多个抽象层次逐步理解序列数据。功能特化：每层专注于特定级别的模式识别。渐进抽象：从具体到抽象的特征学习过程。

2301_78372746的博客

11-22

650

交通标志识别系统，本项目基于TensorFlow框架，构建了一套完整的交通标志识别系统。系统采用卷积神经网络（CNN）算法，针对40种常见交通标志（包括“停车避让”“减速让行”“限速15千米”“注意行人”“禁止左转弯”等）构建数据集，通过多轮迭代训练，最终获得高精度识别模型，并实现了基于Web的可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。

时间序列预测2025：Python中Prophet与LSTM对比分析

我是二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~

11-22

3176

时间序列预测2025：Python中Prophet与LSTM对比分析

循环神经网络详解（二）：LSTM（长短时记忆网络）

limenga102的专栏

11-25

134

理论贡献：成功解决了RNN的长期依赖问题引入了门控机制的思想为序列建模提供了强大的基础架构实践影响：在多个领域达到state-of-the-art性能推动了深度学习在序列任务中的应用启发了后续的门控架构设计从简单开始：首先尝试单层LSTM，根据需要增加复杂度精心初始化：特别注意遗忘门的偏置初始化监控训练：密切关注梯度范数和门激活 patterns正则化策略：合理使用Dropout和权重衰减学习率调度：使用学习率衰减或余弦退火。

【红外小目标检测实战】Yolov11加入SPDConv,HDC,ART等模块

AutumnorLiu的博客

11-21

479

本文针对红外微小目标检测中传统下采样方法导致的信息丢失问题，提出结合SPDConv和HDC的优化方案。SPDConv通过空间到深度转换替代传统下采样，在减少分辨率的同时保留更多特征信息。实验结果显示，优化后模型参数量从19M降至6.9M，召回率从0.59提升至0.75，准确率也略有提高，但距离0.9的目标仍有差距。虽然改进效果有限，但验证了SPDConv在保留微小目标特征方面的潜力。

2301_78372746的博客

11-21

1858

水果识别系统，通过TensorFlow搭建卷积神经网络算法，并收集了10种常见的水果数据集（‘哈密瓜’, ‘椰子’, ‘樱桃’, ‘火龙果’, ‘猕猴桃’, ‘红苹果’, ‘芒果’, ‘葡萄’, ‘西瓜’, ‘香蕉’），对其进行多轮迭代训练，最后得到了一个精度较高的模型，并搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。

【深度学习新浪潮】深度学习特别是大模型在图像配准方面的研发进展

智能守恒_HengAI

11-21

294

深度学习，尤其是大模型的出现，彻底改变了图像配准的技术范式——从“手工设计特征+几何约束”走向“数据驱动+通用特征学习”。当前，大模型配准已在医学影像、遥感、工业检测等领域实现商业化落地，解决了传统方法难以应对的跨模态、少样本、复杂形变等问题。但大模型配准仍面临推理效率、可解释性、数据隐私等挑战，未来的研发核心将是“精度与效率的平衡”“泛化能力的提升”“场景化适配的简化”。对于开发者而言，从简化版大模型配准代码入手，逐步理解预训练+微调的核心逻辑，是衔接前沿技术的有效路径。