5.2　在小型数据集上从头开始训练一个卷积神经网络

吴恩达机器学习笔记整理1. Week11.1 什么是机器学习(What is Machine Learning)1.2机器学习算法分类1.2.1 监督学习1.2.2 无监督学习1.3 单变量线性回归(Linear Regression with One Variable)1. 3.1 问题解决模型1.3.2. 代价函数(Cost Function)1.4 梯度下降(Gradient Descent

1. Week 61.1 应用机器学习的建议(Advice for Applying Machine Learning)1.1.1 决定下一步做什么到目前为止，我们已经介绍了许多不同的学习算法，然而，在懂机器学习的人当中依然存在着很大的差距，一部分人确实掌握了怎样高效有力地运用这些学习算法。而另一些人可能没有完全理解怎样运用这些算法。因此总是把时间浪费在毫无意义的尝试上。本章是确保你在设计机器学习

机器学习-白板推导系列(三十)-生成模型(Generative Model)30.1 生成模型的定义前面所详细描述的模型以浅层的机器学习为主。本章将承上启下引出后面深度机器学习的部分。本小节，主要讲述的是什么是生成模型，它是不是只是生成样本，生成数据？它的任务是什么？精准的定义是什么？这个问题实际上在之前的章节中有过详细的介绍。这里更进一步总结。之前讲过的简单的生成模型，包括：高斯混合分布（GMM

机器学习-白板推导系列(三)-线性回归本章内容：1、最小二乘法（矩阵表达与几何意义）2、概率角度：最小二乘法⇔noise为Gaussian的MLE（最大似然估计）最小二乘法\Leftrightarrow noise为Gaussian 的 MLE（最大似然估计）最小二乘法⇔noise为Gaussian的MLE（最大似然估计）3、正则化{L1→LassoL2→Ridge(岭回归)\begin{case

pytorch学习-7：RNN 循环神经网络（分类）1. 加载MNIST手写数据1.1 数据预处理2. RNN模型建立3. 训练4. 预测参考循环神经网络让神经网络有了记忆, 对于序列话的数据,循环神经网络能达到更好的效果.1. 加载MNIST手写数据import torchfrom torch import nnimport torchvision.datasets as dsetsimport

《Python深度学习》第五章-6（可视化类激活图）读书笔记卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。事中\color{blue}事中事中：可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于

5.4　卷积神经网络的可视化卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于理解卷积神经网络连续的层如何对输入进行变换，也有助于初步了解卷积神经网

7. 核方法（Kernel Method）7.1 背景介绍7.1.1 概述问题引出线性可分的数据有时夹杂一点噪声，可以通过改进算法来实现分类，比如感知机的口袋算法和支持向量机的软间隔。但是有时候数据往往完全不是线性可分的，比如下面这种情况：在异或问题中数据往往不是线性可分的，但通过将数据映射到高维空间后就可以实现线性可分。可以认为高维空间中的数据比低维空间的数据更易线性可分。因此，对于异或问题，我

8. 指数族分布8.1 背景8.1.1 指数族分布的基本形式