【读书笔记】神经网络与深度学习

最新推荐文章于 2025-08-08 21:30:21 发布
转载 最新推荐文章于 2025-08-08 21:30:21 发布 · 65 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/charlesblc/p/6344934.html
文章标签：

#人工智能

本文提供了一个关于神经网络和深度学习的在线教程链接，详细介绍了从基本原理到复杂模型的构建过程，适合初学者及进阶学习者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

重磅！邱锡鹏《神经网络与深度学习》电子书发布
算法channel
04-12 1679
邱锡鹏，复旦大学副教授，中文自然语言处理工具包FudanNLP 的作者。最近，重磅发布《神经网络与深度学习》电子书，内容涵盖广泛，建议必读。公众号后台，回复：nndl，获...
神经网络和深度学习（学习笔记）
weixin_52471034的博客
09-12 1652
1.1 感知机1.1 感知机当代多数神经网络论著主要使用名为 sigmoid 神经元的神经元模型。但要理解 sigmoid 神经元的来由，需要先了解感知机。感知机接收若干个二进制输入(x1,x2......) ，并生成一个二进制输出，其中，一般来说会使用权重（w1，w2.....）来表示输入的重要程度。神经元的输出究竟是 0 还是 1，则由加权和 于或大于某个阈值来决定。类似于权重，阈值也是实数，且是神经元的一个参数。
《神经网络与深度学习》nndl读书笔记
la_xl的博客
08-01 2074
目录本书的知识体系深度学习与神经网络概要人工智能机器学习机器学习模型步骤表示学习局部表示与分布式表示深度学习常用的深度学习框架端到端学习神经网络人工神经网络神经网络的发展历史 本书的知识体系 深度学习与神经网络概要 从根源上讲，深度学习是机器学习的一个分支，是指一类问题以及解决这类问题的方法。 深度学习采用的模型一般比较复杂，指样本的原始输入到输出目标之间的数据流经过多个线性或非线性的组件．因为每个组件都会对信息进行加工，并进而影响后续的组件，所以当我们最后得到输出结果时，我们并不清楚其中每个组件的贡献
深度学习与神经网络阅读笔记（持续更新）
s2765504026的博客
07-02 459
文本分类将一个序列的最后一个时刻的隐藏状态hth_tht​作为序列的特征表示，输入到分类器gg(.)g中.其中g⋅g(⋅)g⋅可以是简单的线性分类器（比如Logistic回归）或复杂的分类器（比如多层前馈神经网络)除了将最后时刻的状态作为整个序列的表示之外，我们还可以对整个序列的所有状态进行平均，并用这个平均状态来作为整个序列的表示，即。
神经网络与深度学习学习笔记-第一次
kant101的博客
03-31 654
前人通过模仿人脑中神经元相互连接构成的神经系统，建立了一个了类似的计算机学习策略·也将其取名为神经网络，其大致结构如下图：上图中由L1到L4是从输入到输出的过程，L1是输入层即类似于输入问题，L4是输出层，即输出问题的答案，L2,L3即相当于解题的过程，而这个过程我们无需了解，所以我们叫他们为隐藏层，一般所需要解决的问题越多，隐藏层的层数则越多，而深度学习所指的深度就是指隐藏层数也就是计算机决策所用层数的多少，像著名的阿尔法狗的策略层数达到了13层，每层有192个神经元。
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 90万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
啃书1：《神经网络与深度学习》Neural Networks and Deep Learning重要阅读笔记（持续更新）
weixin_56254975的博客
03-08 1956
人工智能（ Artificial Intelligence， AI） 就是让机器具有人类的智能，比如机器感知（ 计算机视觉、语音信息处理）、学习（ 模式识别、机器学习、强化学习）、语言（ 自然语言处理）、记忆（ 知识表示）、决策（ 规划、数据挖掘） 等． 所有这些研究领域都可以看成是人工智能的研究范畴． 图灵测试：“一个人在不接触对方的情况下， 通过一种特殊的方式和对方进行一系列的问答，如果在相当长时间内， 他无法根据这些问题判断对方是人还是计算机， 那么就可以认为这个计算机是智能的。”
【学习笔记】《深度学习与神经网络》——邱锡鹏
CodeLuweir 的博客
12-22 9340
一、绪论 人工智能的一个子领域 神经网络：一种以（人工)）神经元为基本单元的模型 深度学习：一类机器学习问题，主要解决贡献度分配问题 知识结构： 路线图： 顶会： 1.1 人工智能 诞生：人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯(Dartmouth)会议。在这次会议上，“人工智能” 被提出并作为木研究领域的名称。 人工智能=计算机控制+智能行为； 人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。 ——John McCarthy ( 1927-201
【总结整理】 神经网络与深度学习 邱锡鹏 课后习题答案 扩展阅读链接
主要分享推荐系统相关论文阅读，偶尔发点奇思妙想和好玩的
12-26 1589
本文主要针对神经网络神经网络邱锡鹏 2~8章的课后习题进行理解的过程中，搜索到的讲的会比较透彻的链接整理。适合有一定基础但是想了解更细的人阅读。
读书笔记1-《神经网络与深度学习》
weixin_43719788的博客
09-13 315
《神经网络与深度学习》 Neural Networks and Deep Learning 从根源来讲，深度学习是机器学习的 一个分支，是指一类问题以及解决这类问题的方法。深度学习指从有限样例中通过算法总结出一般性的规律，并可以应用到新的未知数据上。 贡献度分配问题：深度学习采用的模型一般比较复杂，指样本的原始输入到输出目标之间的数据流经过多个线性或非线性的组件（component）．因为每个组件都会 对信息进行加工，并进而影响后续的组件，所以当我们最后得到输出结果时，我 们并不清楚其中每个组件的.
神经网络与深度学习-学习笔记（1）
riderflame的博客
03-19 423
哈工大神经网络与深度学习第一周学习笔记
均值聚合与PCA：优劣全解析
ZJQ的博客
08-05 2106
摘要： 均值聚合与主成分分析（PCA）是两种数据简化方法，适用场景不同。均值聚合优势在于计算简单（基础运算即可）、可解释性强（结果对应原始变量水平）、对数据分布无严格要求，且聚焦“集中趋势”，适合快速整合信息或需直观解释的场景（如绩效评分）。PCA则依赖变量相关性，需先标准化数据以消除量纲影响，核心是提取数据变异方向，适合高维强相关数据降维。两者非替代关系，需根据目标选择：关注整体水平时用均值聚合，探索数据结构时用PCA。 （150字）
【AI论文】高效智能体：在降低成本的同时构建高效能智能体
m0_66899341的博客
08-08 558
本研究系统探究了大型语言模型(LLM)智能体的效率与效能平衡问题，针对当前智能体系统运营成本高昂的痛点，通过GAIA基准测试集实证分析了LLM主干模型选择、框架设计和扩展策略的影响。研究发现：1)任务复杂度存在最优阈值；2)额外模块的边际效益递减；3)框架优化可显著提升效率。基于此开发的EfficientAgents框架，在保持96.7%性能的同时降低28.4%成本，实现"通过成本"指标优化。研究为构建经济高效的智能体系统提供了实证依据和方法指导，推动AI解决方案的可持续发展。
教程 | 使用SAHI结合supervision进行小目标检测
热爱分享，热爱记录
08-07 832
NMS 通过基于置信度分数消除冗余的检测结果来工作，而 NMM 则将重叠的检测结果合并，以增强对跨越多个图块的对象的表示。它将大图像分割成较小的切片，对每个切片进行推理，然后合并结果，以形成整个图像的最终检测结果。将图块数量增加到 5x5 网格，我们实际上是对图像进行了放大，这样模型就能捕捉到更精细的细节，比如之前可能遗漏的更小、更远的物体。在深入探讨用于小目标检测的SAHI技术之前，先看看经过微调的模型在未经任何预处理或切片的原始图像上的表现是很有帮助的。经过一些测试后，我发现最佳方法是检测人的头部。
快速了解svm算法
最新发布
wzdzgdf的博客
08-08 950
如果你刚接触机器学习，一定听过各种算法的名字：决策树、神经网络、SVM… 其中 SVM（支持向量机，Support Vector Machine）作为经典的监督学习算法，在分类任务中曾长期占据 “顶流” 地位，至今仍在很多场景中发挥重要作用。今天这篇文章，带你快速搞懂 SVM 的核心逻辑、关键概念和实际价值。
几个概率分布在机器学习应用示例
gongdiwudu的专栏
08-08 711
在这份快速指南中，我们将介绍最重要的分布——从始终公平的均匀分布，到钟形的正态分布，计数点击的泊松分布，以及二元选择的二项分布。没有复杂的数学，只有清晰的概念、真实的例子，以及为什么它们重要。
Selective Context：压缩上下文以提升大语言模型的推理效率
08-07 1052
大型语言模型（LLMs）在各种任务中取得了显著的性能。然而，它们在处理长文档和长对话时面临挑战，因为这会显著增加内存和推理时间上的计算需求，并且在输入超过LLM固定上下文长度时可能导致上下文截断。本文提出了一种称为 Selective Context 的方法，通过识别并裁剪输入上下文中的冗余信息，使输入更加紧凑，从而提升LLM的推理效率。我们在需要长上下文处理的常见数据源上测试了该方法，包括 arXiv 论文、新闻文章和长对话，任务涵盖摘要生成、问答和响应生成。
AI学习笔记三十五：实时传输视频
08-08 234
若该文为原创文章，转载请注明原文出处。目的是实现视频的传输，只是个demo.程序分为两部分，视频接收端和视频发送端。
【YOLO学习笔记】YOLOv3详解
BigGod139的博客
08-06 468
卷积层数量 + 全连接层数量 = 53​。
深度学习技术与神经网络研究读书笔记
深度学习读书笔记.pdf文件可能是一本关于深度学习相关理论、算法以及应用的书籍或者学习笔记。通过阅读这类资料，读者可以系统性地学习深度学习的基本概念、核心算法、实现技术以及在实际问题中的应用方法。对于希望...
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