m0_54088522的博客

在现在的深度学习框架中，你只需要实现前向传播，框架负责向后传播，所以大多数深度学习工程师不需要费心处理后向传播的细节，卷积网络的后向传递是有点复杂的。所有我就没学了，但还是把代码放在这里。CNN的一些基础：边缘检测、padding、stride、多通道卷积、单层卷积、简单的卷积模型、pooling、手写数字识别的CNN例子、CNN的优点。（2）搭建cnn网络，进行训练和测试，并画出误差下降曲线。2.CNN的应用手势识别（pytorch版）1.使用原生代码实现卷积网络。1.使用原生代码实现卷积网络。

如果在此简单数据集上运行更多epoch，则这三种方法都将产生非常好的结果。但是，Adam收敛得更快。构建三层神经网络，使用小批量梯度下降、带冲量的小批量梯度下降、带Adam的小批量梯度下降三种优化算法运行此神经网络，体会不同。1.冲量通常会有所帮助，但是鉴于学习率低和数据集过于简单，其影响几乎可以忽略不计。3.Adam的优势包括：相对较低的内存要求（尽管高于梯度下降和带冲量的梯度下降）；3.动量梯度下降、RMSprop、Adam以及学习率衰减。1.批量梯度下降、随机梯度下降、小批量梯度下降。

用0初始化参数L = len(layers_dims) # 网络层数# 使用断言确保我的数据格式是正确的# 随机初始化参数L = len(layers_dims) # 表示层数的整数# 使用 10 倍缩放, 看看如果把w设置的很大会发生什么# 使用断言确保我的数据格式是正确的# he方法初始化参数np.random.seed(3) # 指定随机种子L = len(layers_dims) # 层数# 使用断言确保我的数据格式是正确的# 用0初始化参数，测试效果。

打印cost，画出cost下降曲线。4.实现反向传播模块（红色图）。初始化两层和深层的神经网络参数。实现正向传播模块（紫色图）。

与L1W2内容基本一致，只不过网络更加复杂，包含了一层隐含层。主要案例是通过单隐层的神经网络分类二维数据。直接上代码，千言万语皆在注释中。

案例描述：将学习如何建立逻辑回归分类器用来识别猫。通过这个案例逐步了解神经网络的思维方式，同时磨练对深度学习的直觉。直接上代码，千言万语皆在注释中。