Ng深度學習課程-第二課第一週筆記摘要

阿新 • • 發佈：2018-12-13

深度學習的實踐層面

我們在測試階段不適用dropout操作。

深度學習的實踐層面

# coding: utf-8 # # Initialization # Welcome to the first assignment of "Improving Deep Neural Networks". # # Training your neural

一、訓練、開發、測試集 1. 可應用的機器學習演算法是一個高度迭代的過程，需要不斷調整的引數有：層數、隱藏層神經元數、學習速率、啟用函式等等。 2. 通常將給定的資料劃分為三部分：訓練、驗證、測試。如果資料集較小：60/20/20，如果是大資料集（100萬條資料以上，驗

Mini-batch 梯度下降指數加權平均數指數加權平均的偏差修正動量梯度下降法（Gradient descent with Momentum）

卷積神經網路邊緣檢測 padding 卷積步長三維卷積池化層卷積神經網路

第一週機器學習（ML）策略滿足和優化指標（Satisficing and optimizing metrics）訓練/開發/測試集劃分什麼時候該改變開發/測試集和

序列模型迴圈神經網路模型不同型別的迴圈神經網路語言模型和序列生成對新序列取樣

計算機中為了儲存一張圖片，需要儲存三個矩陣，它們分別對應圖片中的紅、綠、藍三種顏色通道。如果你的圖片大小為 64x64 畫素，那麼就有三個規模為 64x64 的矩陣，分別對應圖片中紅、綠、藍三種畫素的強度值。為了把這些畫素值放到一個特徵向量

進行誤差分析清除標註錯誤的資料快速搭建你的第一個系統，並進行迭代使用來自不同分佈的資料進行訓練和測試資料分佈不匹配時的偏差與方差的分析

深度卷積網路：例項探究為什麼要進行例項探究？經典網路殘差網路(ResNets)(Residual Networks (ResNets))

目標檢測目標定位 &n

1 訓練/驗證/測試集機器學習/深度學習中，一般會把資料集分為訓練集(training set)、驗證集(validation set/development set,dev set)、測試集(test set)三部分。訓練集用於對模型進行訓練；驗證集用於對單一指標進行確定，

淺層神經網路：一般地，輸入層不算在總層數內。只考慮隱藏層和輸出層的層數。這個是當輸入是單一的訓練樣本時的計算過程，程式設計實現時也只是這四行程式碼。接下來是針對多個訓練樣本。即是在原來單列的基礎上，再向後增加一列，每增

人臉識別 One-Shot 學習 Siamese 網路 Triplet 損失人臉驗證與二分類風格遷移的代價函式

卷積神經網路——卷積神經網路一、計算機視覺 1.計算機視覺的具體應用：影象識別、目標檢測、圖片風格轉換。在應用計算機視覺時要面臨一個挑戰：資料輸入大。例如：一張畫質為1000*1000*3的圖片，其所構建的神經網路中輸入特徵將是300W，這將消耗巨大的記憶體，因此要處理

Initialization Welcome to the first assignment of "Improving Deep Neural Networks". Training your neural network requires specifying an i

##Planar data classification with one hidden layer ## 1.常用的Python Library numpy：is the fundamental package for scientific computin

優化演算法（吳恩達深度學習課程） batch梯度下降使用batch梯度下降時，每次迭代你都需要遍歷整個訓練集，可以預期每次成本都會下降，所以如果成本函式

這周作業是，給出一張圖片，判斷這張圖是不是貓。這是一個二分類問題，結果是非0即1的，使用邏輯迴歸（Logic Regression），可以說，瞭解這個迴歸方法，有些python基礎，會使用jupyter notebook就可以嘗試著碼一遍程式碼，走完整個學習流程，能進一步

最近在學習吳恩達的Deep Learning 系列課程，首先在此對吳老師表示深深的謝意。第一次接觸深度學習方面的知識，更是第一次用程式碼程式設計實現深度學習的演算法。所以在完成老師的作業過程中，遇到很多問題，最終在度孃的幫助下，花了一天的時間，終於把程式設計實現了邏