魂小猫的博客

1.1Python Basics with Numpy (optional assignment)Welcome to your first assignment. This exercise gives you a brief introduction to Python. Even if you’ve used Python before, this will help familiarize

Part 2： Logistic Regression with a Neural Network mindset你将学到： -建立学习算法的一般架构 -初始化参数 -计算损失函数和它的梯度 -使用优化算法（梯度下降） -按正确的顺序将上述三个函数集合到一个主模块函数中1 - PackagesFirst, let’s run the cell below to import all the

具有一个隐藏层的平面数据分类 第三周的编程任务： 构建一个含有一层隐藏层的神经网络，你将会发现这和使用逻辑回归有很大的不同。 首先先导入在这个任务中你需要的所有的包。 -numpy是Python中与科学计算相关的基础包 -sklearn提供简单高效的数据挖掘和数据分析 -matplotlib是Python中的绘制图形库 -testCase提供了一些测试的例子来评估你的函数的正确性 -

tools-封装器 封装常用函数全连接层需要拉直softmax label需要进行one hot 重新编码 再输入文件做

1.超参数调试处理在机器学习领域，超参数比较少的情况下，我们之前利用设置网格点的方式来调试超参数； 但在深度学习领域，超参数较多的情况下，不是设置规则的网格点，而是随机选择点进行调试。这样做是因为在我们处理问题的时候，是无法知道哪个超参数是更重要的，所以随机的方式去测试超参数点的性能，更为合理，这样可以探究更超参数的潜在价值。 如果在某一区域找到一个效果好的点，将关注点放到点附近的小区域内继续寻

kernel-filter 卷积核=过滤器 滤波器卷积运算 nxn * fxf = (n-f+1)x(n-f+1) 卷积运算结果取决于kernel在原图中有几个位置 缺点 1.每做一次卷积运算，你的image会变小，最终可能变成1x1 2.角落或者边缘区的像素点在输出中采用较少导致信息丢失 弥补：Padding 用像素点填充边缘Valid convolution:no Padding