/目录第一周卷积神经网络基础第二周深度卷积网络：实例探究第三周目标检测第四周特殊应用：人脸识别和神经风格转换 垂直边缘检测器，通过卷积计算，可以把多维矩阵进行降维。如下图： 卷积运算提供了一个方便的方法来发现图像中的垂直边缘。例如下图： 对于3x3的过滤器，使用下面的数字组合鲁棒性比较高，...

本文分为四个部分，第一部分简要介绍LSTM的应用现状；第二部分介绍LSTM的发展历史，并引出了受众多学者关注的LSTM变体——门控递归单元（GRU）；第三部分介绍LSTM的基本结构，由基本循环神经网络结构引出LSTM的具体结构。第四部分，应用Keras框架提供的API，比较和分析简单循环神经网络...

最近开脑洞想训练一个关于球面拟合的模型于是用到了标准差作为输出层的损失函数，所以就对于标准差方程进行反向传播推导了一下。现在分享一下推导过程和结果和用数值微分方法对于结果正确性的验证，顺便记录一下以免忘记了。这是标准差方程标准差主要是用来描述数据离散程度，其实就是方差的开平方 首先若a为矩阵，那么标准差计算可...

关于神经网络归一化方法的整理由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（byjames）1、线性函数转换，表达式如下：y=(x-MinValue)/(MaxValue-MinValue)说明：x、y分别为转换前、后的值，MaxValue、MinValue分...

只要程序员一直在编写计算机程序，计算机黑客就会一直寻找破解这些程序的方法。恶意黑客利用程序中最小的错误来破解系统，窃取数据，然后会造成严重破坏。  但由深度学习算法驱动的系统应该能够避免人为干扰，对吗？一个黑客如何破解经过TB级数据训练出的神经网络？ 事实证明，即使是最先进的深层神经网络也...

这几天在用TensorFlow搭建一个神经网络来做一个binaryclassifier，搭建一个典型的神经网络的基本思路是：定义神经网络的layers(层)以及初始化每一层的参数然后迭代：前向传播（Forwardpropagation）计算cost（Computecost）反向传播（Backwardpropagatio...

  2012年我在北京组织过8期machinelearning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”。  ...

前面在MNIST上获得92％的准确性是不好的，对于CNN网络来说，我们同样使用Mnist数据集来做案例，这可以使我们的准确率提升很多。在感受输入通道时不是那么明显，因为是黑白图像的只有一个输入通道。那么在Tensorflow中，神经网络相关的操作都在tf.nn模块中，包含了卷积、池化和损失等相关操作。初始化卷积层权重为...

我们介绍了人工神经网络，以及它的训练和使用。我们用它来识别了手写数字，然而，这种结构的网络对于图像识别任务来说并不是很合适。本文将要介绍一种更适合图像、语音识别任务的神经网络结构——卷积神经网络(ConvolutionalNeuralNetwork,CNN)。说卷积神经网络是最重要的一种神经网络也不为过，它在最近几年大...

神经网络方面的研究很早就已出现，今天“神经网络”已是一个相当大的、多学科交叉的学科领域。神经网络中最基本的成分是神经元模型。上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。为了理解神经网络，我们应该先理解神经网络的组...

深度学习（deeplearning）是机器学习拉出的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些...

原文地址：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650728746&idx=1&sn=61e9cb824501ec7c505eb464e8317915&scene=0#wechat_redirect近日，Dishas...

原文地址：https://zhuanlan.zhihu.com/p/27642620如果要提出一个新的神经网络结构，首先就需要引入像循环神经网络中“时间共享”这样的先验知识，降低学习所需要的训练数据需求量。而卷积神经网络同样也引入了这样的先验知识：“空间共享”。下面就让我们以画面识别作为切入点，看看该先验知识是如何被引...

记录一些网友写的博客或者帖子，供学习用，感谢！用文氏图来理解卷积神经网络如何决定提取哪些特征：https://blog.csdn.net/kane7csdn/article/details/84890592为什么卷积能够提取图像的特征？看完此文应该能够给你一个答案：https://blog.csdn.net/charl...

原文地址：https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/81074408前言    很多人不明白为什么要在神经网络、逻辑回归中要在样本X的最前面加一个1，使得X=[x1,x2,…,xn]变成X=[1,x1,x...