小果一粒沙的博客

tensorflow自定义激活函数，带有条件判断。

1、有向图，主要是引入了复合函数链式求导的知识，分别引入了单变量的链式求导和多变量的链式求导。引入这个，主要是为了后面神经网络后向传播时，更新参数使用的为什么引入为什么要引入RNN？因为之前介绍多层感知机、CNN都只能够处理结构化的数据，在某个时刻的数据，输入到一个模型中去，我们能够利用这些数据对因变量的状态进行预测（分类和回归），但是现实生活中往往存在跟时间相关的、且长短不一（非固定长度）数据，所以我们引入了RNN循环神经网络来处理序列类型的数据。通过循环神经网络，不仅能够利用当前的数据进行预测，

1、卷积2、CNN基本原理3、经典CNN4、CNN主要应用参考：感觉课程讲述的很清楚，在记录基本笔记的情况下，记录一下从网上其它地方写的介绍。力求笔记尽可能简单移动，且简洁。关于为什么要从全连接网络转到CNN这种权值共享的网络，主要有以下几点：全连接网络，参数多，CNN网络的权值共享策略能够减少参数的数量其次，全连接网络，不能够识别一些边缘信息，CNN网络能够通过对原始图片数据取padding来检测到原始数据的边缘信息。卷积神经网络，可以通过核卷积操作进行尺度缩放，平移，旋转等操作，不影

神经元模型神经元(M-P)参考：McCulloch-Pitts Neuron — Mankind’s First Mathematical Model Of A Biological Neuron | by Akshay L Chandra | Towards Data Science多个输入，进行线性组合(w⋅xw \cdot xw⋅x​)，加上一个偏置(−b-b−b​)，得到一个数w⋅x+bw \cdot x + bw⋅x+b​，通过激活函数fff，到达下一个神经元。大致是这样的结构。抽象到

人工智能介绍许多科学家对人工智能的定义简言之，人工智能，就是让计算机从数据中学习知识，理解知识，并且像人一样，能够利用这些知识去做些事情，比如搞预测，搞分析，搞回答等等，都是要求可以检验的。学习到这些数据并且会用这些数据进行灵活运用，这些计算机被叫做人工智能。人工只能的三大类（根据智能的程度来分）弱人工智能、强人工智能、超级人工智能人工智能在历史发展长河中也被分为三个阶段：理论推导（人工智能的诞生，1956-1980），但是计算机实现不了，这时的人工智能，其实可以理解成人类引导的一个阶段，计算机

原理介绍写上了，待我补充上来，绝对不长，这里注重编码实现，所只介绍关键数据！！！载入数据在utils.py文件中"""生成数据"""import numpy as npimport pandas as pddef load_data(n=1000): np.random.seed(0) X = np.random.randn(n) * 10 Z = np.tan(X) # X: input, Z: target ouput return X, Z