参考文章：搭建卷积神经网络以及应用神经网络的底层搭建实现一个拥有卷积层CONV和池化层POOL的网络，包含前向和反向传播CONV模块包括：使用0扩充边界：没有缩小高度和宽度；保留边界的更多信息卷积窗口前向卷积反向卷积POOL模块包括：前向池化创建掩码值分配反向池化main.pyimport numpy as npimport matplotlib.pyplot as pltplt.rcParams

文章目录1.图片基本处理2.图片和视频人脸检测3.训练数据和人脸识别2020年5月29日学习了b站人脸识别的简单教程，笔记记录于此1.图片基本处理import cv2 as cv# 读取图片，路径中不能有中文img = cv.imread('img.jpg')# 显示图片cv.imshow('BGR_img', img)# 修改图片尺寸resize_img = cv.resize(img, dsi

参考文章：1.人脸识别与神经风格转换2.神经风格转换编程作业神经网络风格中遇到的问题已经解决了并将解决方案写在了备注里面，但是人脸识别那里运行到database就出错了，目前仍没有找到解决方案,报错信息：Traceback (most recent call last):File "G:/Project/PYTHON/Demo01/Deep_Learning/test4_4/人脸识别.py", l

很早之前就学完深度学习第二周的课程，由于保研的事情一直心烦，做什么事情都索然无味，还有七天出结果，今天终于沉下心把剩余的部分跟着blog具有神经网络思维的Logistic回归码了一遍，老师课程讲的很清楚，自己也做了笔记，但是编程作业中还是有些语句不理解，下面贴出自己的源码和运行结果：lr_utils.py文件import numpy as npimport h5pydef load_dataset

【代码】【吴恩达深度学习编程作业】4.3目标检测——车辆识别（附权重文件）

3.1神经网络概述（Neural Network Overview）3.2 神经网络的表示（Neural Network Representation）3.3 计算一个神经网络的输出（Computing a Neural Network’s output）3.4 多样本向量化（Vectorizing across multiple examples）3.5 向量化实现的解释（Justificati

文章目录机器学习线性和逻辑回归模型逻辑回归二分类和多分类的损失函数二分类为什么用交叉熵损失而不用MSE损失？偏差与方差Layer Normalization 和 Batch NormalizationSVM数据不均衡特征选择排序模型树模型进行特征工程的原因GBDTLR和GBDTRF和GBDTXGBoost二阶泰勒展开优势为什么快防止过拟合处理缺失值树停止生长条件处理不平衡数据树剪枝选择最佳分裂点S

深度学习笔记课程编号理论笔记编程作业神经网络和深度学习1.1深度学习介绍\1.2神经网络编程基础识别猫的程序1.3浅层神经网络单隐藏层的平面数据分类1.4深层神经网络搭建多层神经网络及其应用改善深层神经网络2.1深度学习实践方面...

第五门课 序列模型（Sequence Models）1.1为什么选择序列模型（Why Sequence Models?）循环神经网络（RNN）之类的模型在语音识别、自然语言处理和其他领域中引起变革。序列问题有很多不同类型：以上问题都可以被称作使用标签数据(X,Y)(X,Y)(X,Y)作为训练集的监督学习。1.2数字符号（Notation）假设一自然语言处理（NLP）问题：语音识别系统。给定输入数据