?

神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是指訓(xùn)練神經(jīng)網(wǎng)絡(luò)，size--○--prise，圓圈為一個神經(jīng)單元。

它做的就是函數(shù)的主要功能。常見的“修正線性單元”即為ReLU。

?

把獨立的單元疊加起來，就有了一張較大的神經(jīng)網(wǎng)絡(luò)。

1.2監(jiān)督學(xué)習(xí)

對于圖像中常用卷積神經(jīng)網(wǎng)絡(luò)（CNN）

對于序列數(shù)據(jù)常用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

?

語言也是序列數(shù)據(jù)但是是單個出現(xiàn)，用（RNNs）

雷達(dá)等要用更復(fù)雜的，混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

?

結(jié)構(gòu)化數(shù)據(jù)

是數(shù)據(jù)的數(shù)據(jù)庫

?

非結(jié)構(gòu)化數(shù)據(jù)

類似音頻信號和圖像

?

訓(xùn)練集的規(guī)模/訓(xùn)練樣本的數(shù)量（m）；

深度學(xué)習(xí)的擴展是數(shù)據(jù)和計算能力規(guī)模的進(jìn)展，大多數(shù)算法的創(chuàng)新是為了讓神經(jīng)網(wǎng)絡(luò)運行的更快。計算速度的提升，可以幫助提高迭代速度。

?

神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)

logistic回歸

是一個用于二分分類的算法。是一個學(xué)習(xí)算法，用在監(jiān)督學(xué)習(xí)問題中。

X.shape是一條Python命令，用來輸出矩陣的維度（nx，m），表示X是一個nx×m的矩陣。

好的慣例符號能將不同訓(xùn)練樣本的數(shù)據(jù)聯(lián)系起來。

?

符號說明：

?

維度相關(guān)：

?m ：數(shù)據(jù)集中訓(xùn)練集的數(shù)量。

?L ：神經(jīng)網(wǎng)絡(luò)中的層數(shù)，上圖 L =3.

?l ：第層的神經(jīng)網(wǎng)絡(luò)。

?nz ：輸入數(shù)據(jù)的維度，上圖 Tr =3。

?Ty ：輸出數(shù)據(jù)的維度，通常就是分類問題中的類標(biāo)簽的數(shù)量。

?n ,：第 l 層的隱藏單元的數(shù)量，如上圖第二層中 n ,=3.

數(shù)據(jù)相關(guān)：

?X € RPXm ：這是輸入數(shù)據(jù)的矩陣，它的維度是( Tr , m )。

?e E R ＇：第 i 個數(shù)據(jù)，一般是一個列向量，它的維度是(1, nz ). YE RyXm ：標(biāo)簽矩陣，它的維度是( Ty , m ).

?y € R ：第 i 個數(shù)據(jù)對應(yīng)的標(biāo)簽，一般是一個整數(shù)值。

w4：第層的權(quán)重矩陣，其維度是( n ,, n ,7リ).

64：第 l 層的偏差向量，是個列向量，其維度是(1, n ,).

?y € R "：預(yù)測的輸出向量，列向量，它維度是(1, ny ).

總結(jié)

以上是生活随笔為你收集整理的吴恩达深度学习课程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。