江湖人称星爷

一. CNN神经网络介绍CNN是一种特殊的深度前馈神经网络，为了避免层级之间的全连接造成的参数冗余，而导致网络模型的训练依赖相当参数个数的数据量；他的设计是局部连接，符合生物神经元的稀疏响应特性（层级之间是稀疏连接的），这样大大的降低了网络模型的参数规模，相对而言，对训练数据的依赖性降低了。CNN的基础模块为卷积流，其包括四个部分：卷积，池化，非线性，批量归一化。

一. 说明在上一博客——利用tensorflow训练自己的图片数据（2）中，我们已经获得了神经网络的训练输入数据：image_batch，label_batch。接下就是建立神经网络模型，笔者的网络模型结构如下：输入数据：（batch_size，IMG_W，IMG_H，col_channel）= （20,  64,  64,  3）卷积层1： （conv_kernel，num_ch

转载地址:https://www.jiqizhixin.com/articles/2017-02-16-4Github地址:http://rishy.github.io//ml/2017/01/05/how-to-train-your-dnn/深度学习中，为了有效地训练深度神经网络，有一些值得我们强烈推荐的做法。在本文中，我将介绍一些最常用的方法，从高质量训练数据的重要性，到超参数

工欲善其事，必先利其器。相信很多人在初次接触Python时，在开始编程前，都需要先安装相应的工具。对于Python而言也不例外，Python官方下载安装：https://www.python.org/downloads/但是，Python使用过程中存在的一个最大的问题，就是需要不断安装编程过程中可能涉及到函数包，这是一个很烦心的过程。因此，可能大家可能就在想，是否存在一款既支持Python

在⼀个深度学习问题中，通常我们会预先定义⼀个损失函数。有了损失函数，就可以使⽤优化算法试图使其最小化。在优化中，这样的损失函数通常被称作优化问题的⽬标函数（objectivefunction）。依据惯例，优化算法通常只考虑最小化⽬标函数。因为任何最⼤化问题都可以很容易地转化为最小化问题：只需把⽬标函数前⾯的正号或负号取相反。在深度学习问题中，由于优化算法的⽬标函数通常是⼀个基于训练数据集的损失...