1. 程式人生 > >CS231n課程筆記翻譯系列之目錄彙總

CS231n課程筆記翻譯系列之目錄彙總

知乎上CS231n課程翻譯系列 翻譯的筆記非常好,為了方便檢視,這裡把所有目錄列於此,並給出連結。

  1. Python Numpy教程(全篇
    • Python
      • 基本資料型別
      • 容器(列表, 字典, 集合, 元組)
      • 函式
    • Numpy
      • 陣列
      • 訪問陣列
      • 資料型別
      • 陣列計算
      • 廣播
    • SciPy
      • 影象操作
      • MATLAB檔案
      • 點之間的距離
    • Matplotlib
      • 繪製圖形
      • 繪製多個圖形
      • 影象
  2. 影象分類筆記
    • 影象分類、資料驅動方法和流程(上篇
    • Nearest Neighbor分類器
      • k-Nearest Neighbor
    • 驗證集、交叉驗證集和超引數調參(下篇
    • Nearest Neighbor的優劣
    • 小結
    • 小結:應用kNN實踐
    • 拓展閱讀
  3. 線性分類筆記
    • 線性分類器簡介(上篇
    • 線性評分函式
    • 闡明線性分類器
    • 損失函式(中篇
      • 多類SVM
      • Softmax分類器(下篇
      • SVM和Softmax的比較
    • 基於Web的可互動線性分類器原型
    • 小結
  4. 最優化筆記
    • 簡介(上篇
    • 損失函式視覺化
    • 最優化
      • 策略#1:隨機搜尋
      • 策略#2:隨機區域性搜尋
      • 策略#3:跟隨梯度
    • 梯度計算(下篇
      • 使用有限差值進行數值計算
      • 微分計算梯度
    • 梯度下降
    • 小結
  5. 反向傳播筆記 (全篇
    • 簡介
    • 簡單表示式和理解梯度
    • 複合表示式,鏈式法則,反向傳播
    • 直觀理解反向傳播
    • 模組:Sigmoid例子
    • 反向傳播實踐:分段計算
    • 回傳流中的模式
    • 使用者向量化操作的梯度
    • 小結
  6. 神經網路筆記1
    • 不用大腦做類比的快速簡介(上篇
    • 單個神經元建模
      • 生物動機和連線
      • 作為線性分類器的單個神經元
      • 常用的啟用函式
    • 神經網路結構(下篇
      • 層組織
      • 前向傳播計算例子
      • 表達能力
      • 設定層的數量和尺寸
    • 小節
    • 參考文獻
  7. 神經網路筆記2(全篇
    • 設定資料和模型
      • 資料預處理
      • 權重初始化
      • 批量歸一化(Batch Normalization)
      • 正則化(L2/L1/Maxnorm/Dropout)
    • 損失函式
    • 小結
  8. 神經網路筆記3
    • 梯度檢查(上篇
    • 合理性(Sanity)檢查
    • 檢查學習過程
      • 損失函式
      • 訓練集與驗證集準確率
      • 權重:更新比例
      • 每層的啟用資料與梯度分佈
      • 視覺化
    • 引數更新(下篇
      • 一階(隨機梯度下降)方法,動量方法,Nesterov動量方法
      • 學習率退火
      • 二階方法
      • 逐引數適應學習率方法(Adagrad,RMSProp)
    • 超引數調優
    • 評價
      • 模型整合
    • 總結
    • 拓展引用
  9. 卷積神經網路筆記 (全篇)
    • 結構概述
    • 用來構建卷積神經網路的各種層
      • 卷積層
      • 匯聚層
      • 歸一化層
      • 全連線層
      • 將全連線層轉化成卷積層
    • 卷積神經網路的結構
      • 層的排列規律
      • 層的尺寸設定規律
      • 案例學習(LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet)
      • 計算上的考量
    • 拓展資源