Brief Intro of Deep Learning【李宏毅课程笔记-待完成】

最新推荐文章于 2023-09-01 15:20:27 发布
原创 最新推荐文章于 2023-09-01 15:20:27 发布 · 153 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

从2006年李宏毅提出限制玻尔兹曼机用于初始化多层感知机，标志着深度学习的开端，到2015年ResidualNet的152层网络结构，深度学习经历了快速发展。本文探讨了深度模型的定义与结构设计，指出非深度模型向深度模型转变的过程等同于特征工程向网络设计的转变，并讨论了深度模型在特定问题上的适用性。

李宏毅

  • 2006, Restricted Boltzmann Machine. Complex. Used to initialize multi-layer perceptron (1980), to be called Deep Learning
  • Network -> function set
  • Deep -> many hidden layers
  • 2015, Residual Net, 152 layers.
  • Define the network structure <=> define a good function
  • Non-deep model -> deep model <=> feature engineering -> network design. 换句话说，如果问题能很容易地抽象feature，不像video或者audio的问题中，那么可能deep model不一定是个好的选择。
李宏毅机器学习笔记-6 深度学习简介（Brief Introduction of Deep Learning）
Memory
05-14 1091
Brief Introduction of Deep Learning - 深度学习简介 1. 前言 deep learning 在近些年非常热门，从2012年开始，深度学习的应用数目几乎是呈指数增长的。 深度学习的发展史如下图： 2. 深度学习的步骤 2.1 第一步： 定义一个神经网络 神经网络由神经元组成，每个神经元如上图所示，每个神经元都有一个 bias ...
MLE、MAP、贝叶斯估计、MCMC、EM
tangwing的专栏
10-31 1620
机器学习中的MLE、MAP、贝叶斯估计 - 李文哲的文章 - 知乎 https://zhuanlan.zhihu.com/p/37215276 上面这篇文章对所提到的三种方法做了清晰的对比。总结图： 另外文中总结：几点重要的Take-aways： 每一个模型定义了一个假设空间，一般假设空间都包含无穷的可行解； MLE不考虑先验（prior)，MAP和贝叶斯估计则考虑先验（prior）； MLE、MAP是选择相对最好的一个模型（point estimation）， 贝叶斯方法则是通过观测数据来估
李宏毅机器学习课程笔记2：Classification、Logistic Regression、Brief Introduction of Deep Learning
热门推荐
徐子尧的博客
03-29 1万+
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第4-6课所做的笔记和自己的理解。Lecture 4: Classification: Probabilistic Generative Model以根据宝可梦各属性值预测其类型为例说明分类问题。 训练数据是若干宝可梦的各属性值及
李宏毅机器学习 Brief Introduction of Deep Learning
herosunly的博客
05-31 1546
  横轴是时间，从2012年的第一个季度到2016年的第一个季度，纵轴是谷歌内部项目使用深度学习的数量的变化图。 回归深度学习的历史：   一个隐藏层可以代表任意的函数，为什么需要这么深的网络呢？   RBM intialization并不是真正的突破，起到的效果很有限，所以现在文献中很少提了。 深度学习的步骤如下所示： 全连接层： 计算结果如下所示： 给定神经网络的结构，本质上相当于定...
李宏毅机器学习课程笔记3：Backpropagation、"Hello world" of Deep Learning、Tips for Training DNN
徐子尧的博客
04-08 6563
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第7-9课所做的笔记和自己的理解。Lecture 7: Backpropagation 神经网络可能有百万数量级的参数，为了在梯度下降时有效地计算梯度，使用反向传播。 下面只考虑一笔data对参数的偏微分。根据链式法则， ∂C
李宏毅机器学习课程笔记10：Ensemble、Deep Reinforcement Learning
徐子尧的博客
07-27 7544
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第27-28课所做的笔记和自己的理解。Lecture 27: Ensemble Ensemble类似于“打群架”“大家一起上”，在Kaggle中是重要的方法。 Ensemble的Framework是： 先找到若干分类器，这些分类器
2018-3-21李宏毅机器学习笔记十一-----Brief Introduction of Deep Learning？
luolang_103的博客
03-22 750
我觉的有用的：BP神经网络_百度百科https://baike.baidu.com/item/BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/4581827?fr=aladdin视频来源：李宏毅机器学习(2017)_哔哩哔哩 (゜-゜)つロ 干杯~-bilibilihttps://www.bilibili.com/video/av10590361/?p=13Deep ...
李宏毅机器学习课程笔记7：Transfer Learning、SVM、Structured Learning - Introduction
徐子尧的博客
05-14 7091
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第19-21课所做的笔记和自己的理解。Lecture 19: Transfer Learning 迁移学习要解决的问题是：假设现在手上有与task不直接相关的data，这些data能否帮助我们完成task呢？ 比如现在要做猫狗的分
深度强化学习综述论文 A Brief Survey of Deep Reinforcement Learning
白水的博客
01-28 9908
A Brief Survey of Deep Reinforcement Learning 深度强化学习的简要概述 作者： Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage, Anil Anthony Bharath 文章目录摘要 Abstract1. 引言 Introduction2. 奖励驱动行为 Reward-Driven Behavior2.1. 马尔科夫决策过程 Markov Decision Processes2.2. 强化学习的挑
李宏毅2020机器学习 【学习笔记】 P12Brief Intro of DP
weixin_51330846的博客
09-01 937
【李宏毅2020机器学习深度学习(完整版)国语】 https://www.bilibili.com/video/BV1JE411g7XF/?
Deep Learning for Computer Vision_A Brief Review.pdf
05-08
一篇论文：Deep Learning for Computer Vision: A Brief Review 作者：Athanasios Voulodimos ,1,2 Nikolaos Doulamis,2 Anastasios Doulamis,2 and Eftychios Protopapadakis2
A brief Survey of Deep Reinforcement Learning.pdf
03-29
非常好的一篇深度强化学习综述文章。
Deep Learning with Python: A Hands-on Introduction
07-30
A brief survey of deep learning architectures is also included. Deep Learning with Python also introduces you to key concepts of automatic differentiation and GPU computation which, while not central...
常见分布总结
tangwing的专栏
10-20 4160
Source：https://www.youtube.com/watch?v=YXLVjCKVP7U&list=PLTNMv857s9WVzutwxaMb0YZKW7hoveGLS&ab_channel=zedstatistics 链接中的Youtube频道对统计相关的各种概念有很好的讲解，强烈推荐。本篇简单摘要记录一下常见的分布。 这些常见分布Excel都是支持的。 Binomial 2 outcomes per trial, proba p or (1-p) Trials a.
An Casual Overview of Reinforcement Learning
tangwing的专栏
02-14 640
强化学习概览 This overview is largely based on this article:https://medium.com/@SmartLabAI/reinforcement-learning-algorithms-an-intuitive-overview-904e2dff5bbc. Model-based vs Model free Model: world...
Forecasting (一)：introduction
tangwing的专栏
11-09 635
本篇文章希望对demand forecasting涉及的技术进行框架性的整理。首先参考的是供应链及库存相关的著作，一般其中都会有关于forecasting的一章。 References Waters, D. (2003).Inventory control and management 2nd. John Wiley & Sons. (偏OM) Axsäter, S. (2015).Inventory control(Vol. 225) 3rd. Springer. (更新，信息更多些)...
[NOTE in progress] ECE236C - Optimization Methods for Large-Scale Systems [on going]
tangwing的专栏
06-06 537
Source:http://www.seas.ucla.edu/~vandenbe/ee236c.html Introduction Outline First-order algorithms Decomposition and splitting Second-order algorithms for unconstrained optimization Interior point for conic optimization Gradient Convexity -∇^2(f..
Forecasting (二) : Deep Models [ongoing]
tangwing的专栏
12-20 486
Deep models DeepAR Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting. https://doi.org/10.1016/j.ijforecast.2019.07.001 A.
[Note In progress]Actor-Critic, DDPG and GAN
tangwing的专栏
02-16 483
In the last postOverview of RLwe've seen two different methodologies: Policy Gradient which aims at training a policy (Actor); and Q-Learning which aims at training a state-action value function (Cr...
瑞萨学习笔记-代码注释-取消注释
最新发布
11-05
<think>嗯，用户想要查找瑞萨相关代码注释和取消注释的学习笔记。从用户提供的引用内容来看，引用[2]提到了瑞萨RA MCU的命名约定和软件结构，引用[3]则谈到开发环境搭建和错误排查的经验，但都没有直接涉及代码注释的具体操作方法。 用户应该是瑞萨MCU的初学者，可能在开发过程中遇到了需要批量注释/取消注释代码的情况。虽然引用中没有直接答案，但根据嵌入式开发环境的共性，可以推测： 1. 瑞萨主流IDE e² studio基于Eclipse，注释快捷键应该是通用的Ctrl+/或Ctrl+Shift+C 2. 用户可能更需要的是注释规范（如引用[2]提到的FSP命名约定），而不仅是操作技巧 考虑到用户引用[3]提到"开发环境搞好了50%到手"，应该重点强调IDE操作和注释规范两个维度。另外用户之前似乎遇到过按键扫描代码理解困难（引用[1]），良好的注释确实能避免这类问题。 需要提醒用户注意瑞萨特有的注释要求：比如其FSP库要求函数注释必须包含@brief等doxygen标签（引用[2]隐含的规范）。对于初学者，可能更急需的是基础操作指导而非高级规范，所以回复要分层说明。 用户情绪上引用[3]显示出学习压力较大，回复要简洁实用。最后补充学习路径建议，因为引用[4]显示用户有查阅技术资料的习惯，可以提供瑞萨官方文档的查找路径。 </think>以下是针对瑞萨（Renesas）MCU开发中**代码注释与取消注释**的核心学习笔记，结合代码规范、开发工具实操和工程实践整理： --- ### 一、基础操作：IDE快捷键（以e² studio为例） 1. **单行注释** - 选中代码行 → `Ctrl + /`（Windows/Linux）或 `Cmd + /`（Mac） - 示例： ```c // if (temp != 0xf0) // 注释后此行失效 if (temp != 0xf0) // 原功能代码 [^1] ``` 2. **多行注释/取消** - 选中多行 → `Ctrl + Shift + /`（注释），`Ctrl + Shift + \`（取消注释） - 示例： ```c /* case 0xe0: num_keyboard = 1; break; // 行1列4 [^1] case 0xd0: num_keyboard = 5; break; // 行1列3 */ ``` --- ### 二、注释规范（遵循瑞萨FSP编码约定[^2]） 1. **功能注释** - 描述模块作用，使用`/** ... */`（Doxygen格式）： ```c /** * @brief 初始化UART通信模块 * @param baud_rate: 波特率配置 * @retval 错误代码 (0=成功) */ int uart_init(uint32_t baud_rate); ``` 2. **行内注释** - 对齐在代码右侧，说明复杂逻辑： ```c temp = PORT->PIN; // 读取GPIO端口状态 if (temp & 0x80) // 检测最高位是否置位 ``` --- ### 三、调试场景下的注释技巧 1. **快速隔离代码块** 通过注释排除故障代码段： ```c // 可疑的按键检测逻辑（先禁用） // if (key_pressed) { // led_on(); // } ``` 2. **条件编译注释** 结合宏定义灵活启用/禁用功能： ```c #define DEBUG_MODE 1 // 1=启用调试代码 #if DEBUG_MODE log_data(); // 调试模式下记录数据 #endif ``` --- ### 四、工程实践建议 1. **注释与代码同步更新** - 修改代码时**必须**更新关联注释（如函数行为变更）[^2] 2. **避免冗余注释** - 劣质示例： ```c i++; // i增加1 ← 无意义注释 ``` - 优质示例： ```c i++; // 补偿时钟偏移量 ``` --- ### 五、常见问题解决 - **问题：** 注释后代码仍被执行？ **原因：** 误用字符串分界符（如`"//"`出现在字符串内） **示例：** ```c char str[] = "https://domain.com"; // 此处的"//"不是注释！ ``` - **问题：** 多行注释嵌套报错？ **方案：** 改用条件编译`#if 0...#endif`禁用代码块： ```c #if 0 ... // 被禁用的代码段 #endif ``` --- ### 六、学习资源指引 1. 瑞萨官方文档： - *e² studio User Manual* → 搜索 "Commenting Code" 2. FSP编码规范： - *FSP Coding Guidelines*（重点阅读 2.3 Comment Style）[^2] 3. 调试技巧： - 参考瑞萨社区案例 *[RA MCU Debugging Tips]*（含注释辅助调试实战） > 注释是代码的导航图，尤其在嵌入式开发中，清晰的注释能大幅降低后期维护成本。建议结合瑞萨FSP示例工程（如`sci_uart_ep`）观察官方注释风格 [^2][^3]。 --- **相关问题：** 1. 如何在瑞萨开发环境中快速注释大段代码？ 2. 瑞萨FSP框架对函数注释有哪些强制要求？ 3. 注释代码时如何避免引入语法错误？
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