（MIT）DEEP LEARNING 学习笔记（2）

最新推荐文章于 2025-08-11 20:08:39 发布
最新推荐文章于 2025-08-11 20:08:39 发布
阅读量286 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： DL 文章标签： 深度学习 麻省理工
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。
本文链接：https://blog.youkuaiyun.com/logicor/article/details/64498054
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。

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

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
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 1119
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
03-20 828
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
MIT 6.S191: Evidential Deep Learning学习笔记
Rad1ant_up的博客
12-15 5533
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 2188
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
03-28 333
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 2779
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 1780
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 1055
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
06-19 541
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 1089
可解释机器学习-笔记和代码
Deep Learning for Massive MIMO CSI Feedback-学习笔记
qq_40625143的博客
09-03 1238
jinshi，chao-kai wen Abstract In frequency division duplex mode, the downlink channel state information (CSI) should be sent to the base station through feedback links so that the potential gains of a massive multiple-input multiple-output can be exhibite
【深度学习新浪潮】遥感图像风格化迁移研究工作介绍
智能守恒_HengAI
08-10 190
遥感图像风格化迁移是将艺术风格（如油画、素描、赛博朋克等）迁移到遥感图像中，同时保留其地理结构和关键地物信息的技术。由于遥感图像具有分辨率高、地物结构复杂（如建筑、道路、植被等）、可能包含多光谱信息等特点，其风格化迁移与自然图像相比存在特殊挑战（如需避免破坏地理特征的可识别性）。以下从方法、研究进展、代码与数据三个方面进行说明。
SimBA算法实现过程
2301_80349130的博客
08-09 1020
L2：关注全局扰动能量L∞：关注局部最大变化。
《零基础入门AI：深度学习基础核心概念解析（从激活函数到反向传播）》
最新发布
m0_75034893的博客
08-11 611
避免使用固定值初始化当网络使用 sigmoid 或 tanh 激活函数时，优先选择 Xavier 初始化当网络使用 ReLU 或其变体时，优先选择 He 初始化随机初始化时，应使用较小的标准差（如 0.01）回归问题：使用 MSE 或 MAE，MSE 更常用但对异常值敏感二分类问题：使用 BCELoss，配合 sigmoid 激活函数多分类问题：使用 CrossEntropyLoss，配合 softmax 激活函数。
【深度学习新浪潮】近三年3DGS在大规模场景重建中的研究进展（2022-2025）
智能守恒_HengAI
08-08 291
（2024-2025，清华大学/ETH Zurich）（2025，法国国家信息与自动化研究所）（2025，新加坡国立大学）
深度学习·MAFT
2301_80132162的博客
08-08 413
效率上：为每个图片叠加提议生成多个子图像，并使用子图像分类效率低下，本文提出了一种同时处理多个提议的方法。所以也要考虑使用提议时，保留原本的全局信息。性能上：子图像之外的区域都为0,导致。＋　实验：对不同的提议，
3深度学习Pytorch-神经网络--全连接神经网络、数据准备（构建数据类Dataset、TensorDataset 和数据加载器DataLoader）
2202_75674969的博客
08-07 1241
深度学习是机器学习的一个分支，核心是通过多层非线性神经网络自动学习数据的抽象特征，无需人工设计特征。与传统机器学习相比，它能处理更复杂的数据（如图像、文本、语音），且随着数据量和计算能力的提升，性能会显著提高。端到端学习：直接从原始数据学习目标输出层次化特征提取：底层学简单特征（边缘），高层学复杂特征（物体部件）大数据驱动：需要海量训练数据表示学习：自动发现数据的内在表示。
深入 RNN（GRU）模型：输入输出维度变化全解析
qq_62351557的博客
08-09 778
本文深入解析了基于GRU的RNN模型中输入输出维度变化过程。首先介绍了编码器结构，包含词嵌入层和GRU层 输入数据初始形态为(batch_size, seq_len)，经过词嵌入层后变为(batch_size, seq_len, hidden_size)。GRU层处理时，输出output保持相同维度，而hidden状态的维度为(1, batch_size, hidden_size)。文章通过表格清晰对比各环节维度变化，帮助读者理解数据在模型中的流转过程，避免维度不匹配错误。最后作者邀请读者关注AI系列文章，
【阅读记录】卷积神经网络CNN
2301_82023330的博客
08-10 568
CNN通过局部感受野、参数共享和池化三大机制实现高效图像识别。局部感受野模拟人类视觉，逐层扩大以捕捉复杂特征；参数共享利用空间不变性，显著降低参数量；池化则压缩特征图尺寸，保留显著特征。设计时需遵循层级传递规则，如浅层用小感受野捕捉边缘，深层用大感受野识别物体。经验表明，通道独立性假设允许单卷积核处理多通道，而Max Pooling优于Mean Pooling以保留细节。高精度任务建议使用空洞卷积替代池化。
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