7.1　整体结构7.2　卷积层7.2.1　全连接层存在的问题7.2.2　卷积运算7.2.3　填充7.2.4　步幅7.2.5　3 维数据的卷积运算7.2.6　结合方块思考7.2.7　批处理7.3　池化层池化层的特征7.4　卷积层和池化层的实现7.4.1　4 维数组7.4.2　基于 im2col 的展开7.4.3　卷积层的实现7.4.4　池化层的实现7.5　CNN 的实现7.6　CNN 的可视化7.6

3.1.1　神经网络的例子用图来表示神经网络的话，如图 3-1 所示。我们把最左边的一列称为输入层，最右边的一列称为输出层，中间的一列称为中间层。中间层有时也称为隐藏层。“隐藏”一词的意思是，隐藏层的神经元（和输入层、输出层不同）肉眼看不见。另外，本书中把输入层到输出层依次称为第 0 层、第 1 层、第 2 层（层号之所以从 0 开始，是为了方便后面基于 Python 进行实现）。图 3-1 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。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。5.1　计算图计算图将计算过程用图形表示出来。这里说的图形是数据结构图，通过多个节点和边表示（连接节点的直线称为“边”）。为了让大家熟悉计算图，本节先用计算图解一些

神经网络人工神经网络（ Artificial Neural Network， 简写为ANN）也简称为神经网络（NN）。是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的 计算模型。经典的神经网络结构包含三个层次的神经网络。分别输入层，输出层以及隐藏层。其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入。神经网络的特点每个连接都有个权

机器学习:分类按照是否有标签(答案)有监督学习(都有标签)半监督学习(部分标签)无监督学习 (无标签)监督学习(Supervised learning)按照数据预测的结果分类 Classification预测的值是离散的股票的涨还是跌(二分类) 鸢尾花数据集分类,识别0~9数字回归 Regression预测的值是连续的股票的价格, 房屋的价格KNN算法的原理介绍优点k nearest neighb

RNN模型RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出.RNN单层网络结构:以时间步对RNN进行展开后的单层网络结构:RNN的循环机制使模型隐层上一时间步产生的结果, 能够作为当下时间步输入的一部分(当下时间步的输入除了正常的输入外还包括上一步的隐层输出

4.1　从数据中学习神经网络的特征就是可以从数据中学习。所谓“从数据中学习”，是指可以由数据自动决定权重参数的值。感知机的例子中，我们对照着真值表，人工设定了参数的值，但是那时的参数只有 3 个。而在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至可以上亿，想要人工决定这些参数的值是不可能的。4.1.1　数据驱动数据是机器学习的命根子。从数据中寻找答案、从数据中发现模式

梯度下降法不是一个机器学习算法是一种基于搜索的最优化算法作用：最小化一个损失函数这个二维平面与前面提到的所有二维平面不同。注意坐标系是什么。在直线方程中，导数代表斜率在曲线方程中，导数代表切线斜率在梯度下降法中，导数代表theta单位变化时，J相应的变化导数可以代表方向，对应J增大的方向在梯度下降法中，theta应该向导数的负方向移动在多维函数中，要对各个方向的分量分别求导，最终得到的方向就是梯度

使用labelimg进行目标检测数据集标注labelimg的安装如果你的电脑安装了python3，在cmd命令行里面执行以下命令即可：pip install labelimg就可以运行。使用labelImg进行图像标注利用Open Dir按钮可以打开需要被标注的图片的文件夹。利用Change Save Dir按钮可以打开标注文件存放的文件夹。利用w快捷键或者点击create\nRectBox可以开

爬虫能做什么爬虫除了能够获取互联网的数据以外还能够帮我们完成很多繁琐的手动操作，这些操作不仅仅包括获取数据，还能够添加数据，比如：投票管理多个平台的多个账户(如各个电商平台的账号)微信聊天机器人实际的应用远不止上面这些，但是上面的应用只是除开数据本身的应用而已，数据本身的应用也是很广的：机器学习语料库垂直领域的服务(二手车估值)聚合服务(去哪儿网,美团)新闻推荐(今日头条)预测和判断(医疗领域)所