深度学习用于计算机视觉文章目录深度学习用于计算机视觉1、卷积神经网络简介1.1、卷积运算1.1.1、理解边界效应与填充1.1.2、理解卷积步幅1.2、最大池化运算2、在小型数据集上从头开始训练一个卷积神经网络2.1、深度学习与小数据问题的相关性2.2、下载数据2.3、构建网络2.4、数据预处理2.5、使用数据增强卷积神经网络，也叫 convnet，它是计算机视觉应用几乎都在使用的一种深度学习模型。

误差反向传播法上一章中，我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点是计算上比较费时间。本章我们将学习一个能够高效计算权重参数的梯度的方法——误差反向传播法。要正确理解误差反向传播法，我个人认为有两种方法：一种是基于数学式； 另一种是基于计算图（computational graph）。前者是

处理文本数据我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。在许多应用中还可以见到第三种类型的特征：文本。举个例子，如果我们想要判断一封电子邮件是合法邮件还是垃圾邮件，那么邮件内容一定会包含对这个分类任务非常重要的信息。或者，我们可能想要了解一位政治家对移民 问题的看法。这个人的演讲或推文可能会提供有用的信息。在客户服务中，我们通常想知 道一条

神经网络（深度学习）虽然深度学习在许多特定的使用场景应用中都有巨大的潜力，但深度学习算法往往经过精确调整，只适用于特定的使用场景。这里讨论一些相对简单的方法，即用于分类和回归的多层感知机（MLP），它可以作为研究更复杂的深度学习方法的起点。MLP 也被称为（普通）前缀神经网络，有时也简称为神经网络。1、神经网络MLP 可以被视为广义的线性模型，执行多层处理后得到结论。还记得线性回归的预测公式为：y

神经网络入门文章目录神经网络入门1、神经网络剖析2、Keras3、电影评论分类：二分类问题总结神经网络的核心组件，即层、网络、目标函数和优化器。1、神经网络剖析训练神经网络主要围绕以下四个方面：层，多个层组合成网络（或模型）；输入数据和相应的目标；损失函数，即用于学习的反馈信号；优化器，决定学习过程如何进行。层：深度学习的基础组件神经网络的基本数据结构是层。层是一个数据处理模块，将一个或多个输入张

文章目录1、适配器模式介绍实现步骤 1步骤 2步骤 3步骤 4步骤 52、组合模型介绍实现步骤 1步骤 23、装饰器模式介绍实现步骤 1步骤 2步骤 3步骤 4步骤 54、代理模式介绍实现步骤 1步骤 2步骤 35、享元模式介绍实现步骤 1步骤 2步骤 3步骤 46、外观模式介绍实现步骤 1步骤 2步骤 3步骤 47、桥接模式介绍实现步骤 1步骤 2步骤 3步骤 4步骤 51、适配器模式适配器模式

数据表示与特征工程到目前为止，我们一直假设数据是由浮点数组成的二维数组，其中每一列是描述点的连续特征（continuous feature）。对于许多应用而言，数据的收集方式并不是这样的。一种特别常见的特征类型就是分类特征（categorical feature），也叫离散特征（discrete feature）。这种特征通常并不是数值。分类特征与连续特征之间的区别类似于分类和回归之间的区别，只是

处理文本数据我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。在许多应用中还可以见到第三种类型的特征：文本。举个例子，如果我们想要判断一封电子邮件是合法邮件还是垃圾邮件，那么邮件内容一定会包含对这个分类任务非常重要的信息。或者，我们可能想要了解一位政治家对移民 问题的看法。这个人的演讲或推文可能会提供有用的信息。在客户服务中，我们通常想知 道一条

创建表1、建表的语法格式：(建表属于 DDL 语句，DDL 包括：create drop alter)create table 表名(字段名1 数据类型, 字段名2 数据类型, 字段名3 数据类型);create table 表名(字段名1 数据类型,字段名2 数据类型,字段名3 数据类型);表名：建议以 t_或者 tbl_ 开始，可读性强。见名知意。字段名：见名知意。表名和字段名都属于标识符。2

ISTA 算法文章目录ISTA 算法1、引言2、迭代收缩阈值算法（ISTA）1、引言对于一个基本的线性逆问题：y=Ax+w\mathbf{y}=\mathbf{A}\mathbf{x}+\mathbf{w}y=Ax+w其中 A∈M×N\mathbf{A} \in M \times NA∈M×N，y∈M\mathbf{y} \in My∈M 且是已知的，w\mathbf{w}w 是未知噪声。(1)