TensorFlow学习笔记Day2-综述

1、MNIST  

      机器学习入门简单数据集，用于学习上手操作的数据集

      

      MNIST数据集官网地址：

      http://yann.lecun.com/exdb/mnist/

2、卷积神经网络(CNN:Convolutional Neural Network)

     卷积神经网络：一种前馈神经网络，包含卷积层（alternating convolutional）和池层(pooling layer)

     CNN 基本结构包括两层。

     特征层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征

     映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

     CNN用途：识别位移、缩放吉其他形式扭曲不变形的二维图形

      

     CNN详解链接：

     http://www.36dsj.com/archives/24006

     http://blog.youkuaiyun.com/stdcoutzyx/article/details/41596663/

     

3、递归神经网络（RNN）

     递归神经网络：时间递归神经网络（recurrent neural network）和结构递归神经网络(recursive  neural  network)。反馈神经网络

     神经网络主要特征：大规模的并行处理、分布式的信息存储、良好的自适应性、自组织性、以及很强的学习能力、联想能力和容错能力。在自然语言理解（NLP）、图像识别、指鞥机器人控制方向有优势。

     神经网络根据连接方式划分：

     前馈（前向）神经网络：函数映射，用于模式识别和函数逼近

     反馈（反向）神经网络：实现联想记忆和求解优化等问题

     神经网络根据连接权获取方式划分：

     有监督神经网络：在网络训练往往要基于一定数量的样本。实际输出和期望输出值作比

     无监督神经网络：在网络中根据其特有的结构和学习规则，连接权值和阀值的调整，以表示外部输入的某种固有特征

     固定权值神经网络：网络不需要进行学习，权值是根据要解决的问题实现决定的。如：HopField网络、 细胞神经网络、 双向联想记忆等，主要用在优化计算、联想记忆和模式识别等

    

      RNN详解链接：

      http://www.cnblogs.com/ooon/p/5594428.html

      http://blog.youkuaiyun.com/aws3217150/article/details/50768453

4、曼德洛布特集合

      曼德布洛特集合：一种在复平面上组成分形的点的集合。

     曼德布洛特集合详解链接：

     https://msdn.microsoft.com/zh-cn/library/azure/jj635753.aspx

     

5、偏微分方程（微积分）

     偏微分方程：微分方程中出现的未知函数只含一个自变量，如果一个微分方程中出现多元函数的偏导数，或者说如果未知函数和几个变量有关，而且方程中出现未知函数对应几个变量的导数，那么这种微分方程就是偏微分方程

    偏微分方程详解链接：

     http://open.163.com/special/opencourse/equations.html

   微分方程教学（网易公开课）：

     http://163.lu/qtFj93

6、字词的向量表示（Word Eembedding）

      向量空间模型 (VSMs)将词汇表达（嵌套）于一个连续的向量空间中，语义近似的词汇被映射为相邻的数据点。

     向量空间模型的核心思想：出现于上下文情景中的词汇都有相类似的语义。采用分布式假设的研究方法大致分为以下两类：基于计数的方法 (e.g. 潜在语义分析)， 和 预测方法 (e.g. 神经概率化语言模型).

     Word2vec是一种可以进行高效率词嵌套学习的预测模型。其两种变体分别为：连续词袋模型（CBOW）及Skip-Gram模型。

    

​    以上内容为学习笔记，iOS沪上代码小子记。想了解更多详细内容，尽情继续关注当前公众号，或者Google，百度即可。如有问题，欢迎反馈，希望文章能对大家有所帮助。