qq_44757201的博客

TP,FP,TN,FN,召回率，准确率，精确率

神经网络中的超参数和训练技巧

深度神经网络中最基本的三个概念：Epoch, Batch, Iteration

深度学习中Dropout原理解析dropout出现的原因：在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。综上所述，训练深度神经网络的时候，总是会遇到两大缺点：（1）容易过拟合（2）费时Dropout可以比较有效的缓解过拟合的

深度残差网络和迁移学习

np.random.rand（）函数语法：np.random.rand(d0,d1,d2……dn)作用：通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1举例：im2col()函数卷积运算需要好几层for语句，这样实现麻烦，而且numpy中存在使用for语句变慢的缺点，所以不使用for语句，而用im2col函数代替。im2col全称image to column（从图像到矩阵），作用为加速卷积运算。即把包含批数量的4维数据转换成2维数据。（也

深度学习基础知识①本学期学习了深度学习这门课，本着复习的想法，记录一下深度学习的相关知识监督学习机器学习分为监督学习，无监督学习和半监督学习。监督学习，通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。简单来说，就像有标准答案的练习题，然后再去考试，相比没有答案的练习题然后去考试准确率更高。监督学习中的数据中是提前做好了分类信息的， 它的训练样本中是同时包含有特征和标签信息的，