CNN （深度神經網路）的本質
目前CNN 效果這麼好，並不是因為深度神經網路的深，而是區域性卷積+pooling的結果。偶然看到GCforest，據說效果也很好。 使用其他方式代替神經網路，實現CNN結構，我預測效果一樣好，或者會有更多其他優勢。
一直在研究用其他方式實現CNN的過程。目前看 gcforest 做到了。看看這個方向沒錯。
另外，lstm 不一定是對語音序列處理效果最好的。 使用卷積方式擴充套件到時間序列上，會更簡單有效。
明天，社會是人工智慧。人工智慧促成新的社會，新的科技。這個時間是50年以內。平常人對這個無法想象，也就不用去想象了。它來了就是來了。總之，時間不多了，先寫下來。
相關推薦
CNN （深度神經網路）的本質
目前CNN 效果這麼好，並不是因為深度神經網路的深，而是區域性卷積+pooling的結果。偶然看到GCforest，據說效果也很好。 使用其他方式代替神經網路，實現CNN結構，我預測效果一樣好，或者會有更多其他優勢。 一直在研究用其他方式實現CNN的過程。目
乾貨|如何除錯神經網路（深度神經網路）？
神經網路的除錯基本上難於絕大多數的程式，因為大部分的神經網路的錯誤不會以型別錯誤或執行時錯誤顯現，他們只是使得網路難以收斂。 如果你是一個新人，這可能會讓你非常沮喪。一個有經驗的網路訓練者可以系統的克服這些困難，儘管存在著大量似是而非的錯誤資訊，比如：
深度學習資料整理（深度神經網路理解）
https://blog.csdn.net/tiandijun/article/details/25192155 近這兩年裡deep learning技術在影象識別和跟蹤等方面有很大的突破，是一大研究熱點，裡面涉及的數學理論和應用技術很值得深入研究，這系列部落格總結了
tf.estimator API技術手冊（8）——DNNClassifier（深度神經網路分類器）
（一）簡 介 繼承自Estimator，定義在tensorflow/python/estimator/canned/dnn.py中，用來建立深度神經網路模型。示例如下： categorical_fe
吳恩達深度學習第一課第四周（深層神經網路）
打卡（1） 4.1 深層神經網路 * 符號約定：輸入層X=a[0],預測值ŷ =a[L]X=a[0],預測值y^=a[L] 打卡（2） 4.2 深層網路中前向傳播 單個樣本：
機器學習（包括深度神經網路）python開發環境搭建（超詳細）（適合新手）
最近接了一個大資料專案，需要進行到資料分析，作為一個從程式設計師往資料探勘工程師轉行的人來說，R語言在靈活性上不如Python，並且在深度神經網路等機器學習開源模組上，python也比R語言有更好的支援。本文主要利用Ubuntu來搭建虛擬機器來進行資料分析工作，主要利用了
什麼是pytorch（3神經網路）(翻譯)
神經網路 torch.nn 包可以用來構建神經網路。 前面介紹了 autograd包， nn 依賴於 autograd 用於定義和求導模型。 nn.Module 包括layers（神經網路層）, 以及forward函式 forward(input)，其返回結果 output. 例如我們來看一個手寫數字的
機器學習筆記（十）：TensorFlow實戰二（深層神經網路）
1 - 深度學習與深層神經網路 深度學習的精確定義為：“一類通過多層非線性變換對高複雜性資料建模演算法的集合” 因此，多層神經網路有著2個非常重要的特性 多層 非線性 1.1 - 線性模型的侷限性 線上性模型中，模型的輸出為輸入的加權和，假設一
DL4J中文文件/模型/RNN（迴圈神經網路）
DL4J中的迴圈神經網路 本文概述了在DL4J中如何使用迴圈神經網路的具體訓練特徵和實用性。本文假定對迴圈神經網路及其使用有一定了解，而不是對遞迴神經網路的介紹，並且假定你對它們的使用和術語有一些熟悉。 內容 基礎：資料和網路配置 RNN訓練特徵 通過時間截
第五週（反向神經網路）-【機器學習-Coursera Machine Learning-吳恩達】
目錄 代價函式 反向傳播 神經網路總結 1 代價函式 2 反向傳播演算法——讓代價函式最小化的演算法讓代價函式最小化，利用ma
一文詳解什麼是RNN（迴圈神經網路）
目錄 1. RNN怎麼來的？ 2. RNN的網路結構及原理 3. RNN的改進1：雙向RNN 4. RNN的改進2：深層雙向RNN 4.1 Pyramidal RNN 5. RNN的訓練-BPTT 6. RNN與CNN的結合應用：看圖說話
【直觀理解】一文搞懂RNN（迴圈神經網路）基礎篇
推薦閱讀時間8min~15min 主要內容簡介：神經網路基礎、為什麼需要RNN、RNN的具體結構、以及RNN應用和一些結論 1神經網路基礎 神經網路可以當做是能夠擬合任意函式的黑盒子，只要訓練資料足夠，給定特定的x，就能得到希望的y，結構圖如下： 將神經網路模型訓練好之後，在輸入層給定一
C++實現誤差反向傳播演算法（BP神經網路）
誤差反向傳播學習演算法 實現Iris資料分類 Denverg Secret Number 29,April 2018 實驗目的 用C++實現BP神經網路 實驗原理 人工神經網路模型 人們從40年代開始研究人腦神經元功能。1943年
ANN（人工神經網路）基礎知識
ANN是一個非線性大規模並行處理系統 1.1人工神經元的一般模型 神經元的具有的三個基本要素 1、一組連線，連線的強度由個連線上的權值表示，若為正，則表示是啟用，為負，表示，抑制 2、一個求和單元：用於求各個輸入訊號的加權和 3、一個非線性啟用
MLP多層感知機（人工神經網路）原理及程式碼實現
一、多層感知機（MLP）原理簡介多層感知機（MLP，Multilayer Perceptron）也叫人工神經網路（ANN，Artificial Neural Network），除了輸入輸出層，它中間可以有多個隱層，最簡單的MLP只含一個隱層，即三層的結構，如下圖：從上圖可以看
卷積神經網路學習筆記——Siamese networks（孿生神經網路）
完整程式碼及其資料，請移步小編的GitHub地址 傳送門：請點選我 如果點選有誤：https://github.com/LeBron-Jian/DeepLearningNote 在整理這些知識點之前，我建議先看一下原論文，不然看我這個筆記，感覺想到哪裡說哪裡，如果看了論文，還有不懂的，正好這篇部落
深度學習 --- 卷積神經網路CNN（LeNet-5網路學習演算法詳解）
上一節我們詳細探討了LeNet-5網路的架構，但是還沒有解釋該網路是如何進行學習的，如何更新權值的，本節將接著上一節進一步CNN的學習機制和權值更新過程，這裡請大家一定要對CNN網路有一個清晰的認識，知道每一層是做什麼的，為什麼這樣設定。原因在哪等。大家在學習的過程中需要多問自己幾個為什麼，這樣
深度學習 --- 卷積神經網路CNN（LeNet-5網路詳解）
卷積神經網路（Convolutional Neural Network，CNN）是一種前饋型的神經網路，其在大型影象處理方面有出色的表現，目前已經被大範圍使用到影象分類、定位等領域中。相比於其他神經網路結構，卷積神經網路需要的引數相對較少，使的其能夠廣泛應用。 本節打算先介紹背景和簡單的基本
深度學習進階（六）--CNN卷積神經網路除錯，錯誤歷程總結
總結一下今天的學習過程 （注：我此刻的心情與剛剛三分鐘前的心情是完全不一樣的） （昨天在想一些錯誤，今天又重拾信心重新配置GPU環境，結果很失敗，不過現在好了，在尋思著今天干了什麼的時候，無意間想到是不是自己方法入口不對啊。結果果然很幸運的被我猜到了，，，哈哈哈，我的心情又
Deep Learning模型之：CNN卷積神經網路（一）深度解析CNN
http://m.blog.csdn.net/blog/wu010555688/24487301 本文整理了網上幾位大牛的部落格，詳細地講解了CNN的基礎結構與核心思想，歡迎交流。 1. 概述 卷積神經網路是一種特殊的深層的神經網路模型，它的特殊性體現在兩個方面，一方面它的神經元