目錄

• 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
• • Python 中的廣播
  • 關(guān)于 python _ numpy 向量的說(shuō)明
• 淺層神經(jīng)網(wǎng)絡(luò)
• • 神經(jīng)網(wǎng)絡(luò)概述
  • 神經(jīng)網(wǎng)絡(luò)表示
  • 計(jì)算一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出
  • 多樣本向量化
  • 向量化實(shí)現(xiàn)的解釋
  • 激活函數(shù)
  • 為什么需要非線(xiàn)性激活函數(shù)
  • 激活函數(shù)的導(dǎo)數(shù)
  • 神經(jīng)網(wǎng)絡(luò)的梯度下降
  • 直觀(guān)理解反向傳播
  • 隨機(jī)初始化
• 深層神經(jīng)網(wǎng)絡(luò)
• • 深層神經(jīng)網(wǎng)絡(luò)
  • 前向傳播和反向傳播
  • 深層網(wǎng)絡(luò)中的前向傳播
  • 核對(duì)矩陣的維數(shù)
  • 為什么實(shí)用深層表示？
  • 搭建神經(jīng)網(wǎng)絡(luò)塊
  • 深度學(xué)習(xí)和大腦的關(guān)聯(lián)性
• 深度學(xué)習(xí)的實(shí)踐層面
• • 訓(xùn)練，驗(yàn)證，測(cè)試集
  • 偏差，方差
  • 機(jī)器學(xué)習(xí)基礎(chǔ)
  • 正則化
  • 為什么正則化有利于預(yù)防過(guò)擬合？
  • dropout正則化
  • 理解dropout
  • 其他正則化方法
  • 歸一化輸入
  • 梯度爆炸/梯度消失
  • 神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化
  • 梯度的數(shù)值逼近
  • 梯度檢驗(yàn)
  • 梯度檢驗(yàn)應(yīng)用的注意事項(xiàng)

神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

Python 中的廣播

乘法的廣播機(jī)制需要維度一致，起碼是有行或者列是一致（暫時(shí)是這樣理解的）

關(guān)于 python _ numpy 向量的說(shuō)明

淺層神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)表示

計(jì)算一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出

多樣本向量化

向量化實(shí)現(xiàn)的解釋

激活函數(shù)

為什么需要非線(xiàn)性激活函數(shù)

激活函數(shù)的導(dǎo)數(shù)

神經(jīng)網(wǎng)絡(luò)的梯度下降

正向傳播：指對(duì)神經(jīng)網(wǎng)絡(luò)沿著從輸入層到輸出層的順序，依次計(jì)算并存儲(chǔ)模型的中間變量（包括輸出），反向傳播剛好相反

直觀(guān)理解反向傳播

隨機(jī)初始化

深層神經(jīng)網(wǎng)絡(luò)

深層神經(jīng)網(wǎng)絡(luò)

前向傳播和反向傳播

深層網(wǎng)絡(luò)中的前向傳播

核對(duì)矩陣的維數(shù)

為什么實(shí)用深層表示？

搭建神經(jīng)網(wǎng)絡(luò)塊

深度學(xué)習(xí)和大腦的關(guān)聯(lián)性

深度學(xué)習(xí)的實(shí)踐層面

訓(xùn)練，驗(yàn)證，測(cè)試集

偏差，方差

機(jī)器學(xué)習(xí)基礎(chǔ)

正則化

為什么正則化有利于預(yù)防過(guò)擬合？

dropout正則化

理解dropout

其他正則化方法

歸一化輸入

梯度爆炸/梯度消失

神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化

梯度的數(shù)值逼近

梯度檢驗(yàn)

梯度檢驗(yàn)應(yīng)用的注意事項(xiàng)

總結(jié)

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

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