7人加入学习
(0人评价)
神经网络课程Deep Learning实践入门
价格 免费
该课程属于 2023.7.9 CS课程 请加入后再学习

一些implement 神经网络的代码

dense:fully connected layed

 

input layer:

NN: fully connected, hyperparameter,神经元数量,需要自己tune,数据量少,HP可以稍微少点,避免overfit。根据train performance和test performance 来tune 超参数:learning curve。 中间几层layer也算是超参数

output: 和prediction size一样,softmax函数,

compile network: 选择optimization方法:Adam和rmsprop,确定loss function, 选择metrica,训练的时候会print accuracy。

 

train——image的pre_processing:reshape,pixel value从0到1(input normalization)。

把label定义,one-hot encoding,从一味矩阵变成10*10

开始train网络,epoch=5轮,每组6万张图片,(每张图片训练5次)总共数据量30万次。batchsize:6万丈中每次选择128张一块训练求出y值,然后加起来128个之后总共backward propagation。

[展开全文]

深度学习数据量越大,表新越好,传统机器学习会饱和。

AI可以计算机视觉,speech识别和生成:siri,语言理解:聊天机器人等等,广告,机器人。

为什么deep learning流行现在:新train 方法,大量的高质量标注数据集:imagenet,软件平台:google的tensorflow等等,pytorch等等, GPU的大量平行计算加快训练时间。

推荐课程:cs231n.stanford/edu.  2017年youtube视频,可以选择去看,然后可以对computer vision有深刻理解。

CNN大部分用于图像识别,recurrent NN适用于时序信息识别:音乐,文本,讲话,生成C++代码。强化学习:阿尔法狗。 GAN用于虚假图片的生成,模仿声音/照片,换脸技术。

 

[展开全文]

授课教师

蔓藤Yang Liu

课程特色

视频(3)

学员动态

Tsuki19 加入学习
Shuhao 加入学习
Bianyw 加入学习
shjm 加入学习
YanHuang 加入学习