type
status
date
slug
summary
tags
category
icon
password
📝 主旨内容
开始主要是讲的一些研究工具，比如使用了深度学习的一些核心方法，包括监督学习，优化算法,比如SGD
第一段
上面这部分，主要讲了监督学习，以具体分类任务为例，比如他这里收集的房子、车子、人和宠物，引入监督学习作为主要训练范式
然后定义目标函数、权重以及深度模型的规模，调整参数，这些参数就称为权重，这个权重就是具体的数字，定义了机器的输入输出功能。
第二段
然后这一段是解释基于梯度的优化及损失函数的几何直观解释。
就是，负梯度向量指出了在该景观中最快下降的方向，使其更接近一个最小值，在该最小值处输出误差的平均值较低。
第三段
这一段引入SGD（就是随机梯度下降）作为实际训练算法
然后下面就论证了一下SGD的高效性，引入测试集评估泛化能力
后面
这一块引入一个例子，就是对两只萨摩犬在不同场景和不同姿态下的图像进行分析
下面这一块是展示多层神经网络和反向传播的一些工具，比如这个a，他表示多长神经网络可以扭曲输入空间，使数据类别变得清晰可分，然后b是数学的链式求导法则
c和d分别是神经网络向前和向后传播的方程
下面这个狗的，是对萨摩犬的图像进行分析的方法
- 把卷积神经网络架构的每一层的输出作为RGB的输入
- 信息自下而上流动，上层基于下层特征，逐步提取更高层次的抽象特征进行分析计算得分
🤗 总结归纳
总结文章的内容
- Author:可达鸭
- URL:http://zjftsl.cf//article/28f214ca-c412-8027-91b2-d651c6693ed6
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
