大總結

深度學習符號

此筆記中使用的數學符號參考自《深度學習》和 Deep learning specialization

常用的定義

• 原版符號定義中， $x^{(i)}$ 與 $x_i$ 存在混用的情況，請注意識別

數據標記與上下

• 上標 代表第 個訓練樣本

上標 代表第 層

數據集的樣本數

下標 輸入數據

下標 輸出數據

輸入大小

輸出大小 (或者類別數)

第 層的隱藏單元數

神經網絡的層數

在循環中

神經網絡模型

神經網絡模型
代表輸入的矩陣

代表第 個樣本的列向量

是標記矩陣

是第 樣本的輸出標簽

代表第 層的權重矩陣

代表第 層的偏差矩陣

是預測輸出向量

也可以用 表示

正向傳播方程示例

其中， 代表第 層的激活函數

通用激活公式

當前層的維度
上一層的維度

損失函數

或者
常見損失函數示例

深度學習圖示

節點：代表輸入、激活或者輸出
邊：代表權重或者誤差
提供兩種等效的示意圖

詳細的網絡

常用于神經網絡的表示,為了更好的審美，我們省略了一些在邊上的參數的細節(如 和等)。

簡化網絡

兩層神經網絡的更簡單的表示。

總結

以上是生活随笔為你收集整理的大总结-深度学习全五课-Stanford吴恩达教授的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。