回想一下，我们在尝试识别80个类别，并使用5个定位框。我们已经在两个文件“coco_classes.txt”和“yolo_anchors.txt”中收集了有关80个类和5个框的信息。让我们通过运行下一个单元格将这些数加载到模型中。车辆识别数据集包含720x1280图像，我们已将其预处理为608x608的图像。......

因为训练单词嵌入在计算上非常耗时耗力，所以大多数ML练习者都会加载一组经过预先训练的嵌入。__接下来，让我们加载单词向量。对于此作业，我们将使用50维GloVe向量表示单词。运行以下单元格以加载。words你已经看到，单向向量不能很好地说明相似的单词。GloVe向量提供有关单个单词含义的更多有用信息。现在让我们看看如何使用GloVe向量确定两个单词的相似程度。......

到目前为止，你一直使用梯度下降来更新参数并使损失降至最低。在本笔记本中，你将学习更多高级的优化方法，以加快学习速度，甚至可以使你的损失函数的获得更低的最终值。一个好的优化算法可以使需要训练几天的网络，训练仅仅几个小时就能获得良好的结果。梯度下降好比在损失函数JJJ上“下坡”。就像下图：损失最小化好比在丘陵景观中寻找最低点在训练的每个步骤中，你都按照一定的方向更新参数，以尝试到达最低点。符号：与往常

初始化参数运行优化循环正向传播以计算损失函数反向传播以计算相对于损失函数的梯度剪裁梯度以避免梯度爆炸使用梯度下降方法更新参数返回学习的参数图1循环神经网络，类似于你在上一个笔记本“手把手实现循环神经网络”中构建的内容。在每个时间步，RNN都会根据给定的先前字符来预测下一个字符。数据集X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx⟩)X=(x⟨1⟩,x⟨2⟩,...,x⟨Tx​⟩)Y=(...

在此次作业中，你将学习构建人脸识别系统。FaceNet网络将人脸图像编码为128个数字向量并学习，通过比较两个这样的向量，以确定两个图片是否是同一个人。在本练习中，我们将使用预训练的模型，该模型使用"channelsfirst"来表示ConvNet激活，而不是像先前的编程作业一样使用"channelslast"。换句话说，一批图像将具有(m,nC​,nH​,nW​)的维度，而非(m,nH​,nW​

深度神经网络应用 – 图像分类你将使用在上一个作业中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。 希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。完成此任务后，你将能够：建立深度神经网络并将其应用于监督学习。1 安装包让我们首先导入在作业过程中需要的所有软件包。numpy是Python科学计算的基本包。matplotlib 是在Python中常用的绘制图形的库。

在这一部分中，你将实现一个称为“Emojifier-v1”的基准模型。图2基准模型（Emojifier-V1）。模型的输入是与句子相对应的字符串（例如，“Iloveyou”。在代码中，输出将是维度为（1,5）的概率向量，然后将其传递到argmax层中以提取概率最大的表情符号的输出索引。为了使我们的标签成为适合训练softmax分类器的格式，让我们将从当前YYY的维度、(m,1)(m,1)(m,1)

在此作业中，你将使用numpy实现你的第一个循环神经网络。循环神经网络（RNN）在解决自然语言处理和其他序列任务上非常有效，因为它们具有“记忆”，可以一次读取一个输入xx^{}x（例如单词），并通过从一个时间步传递到下一个时间步的隐藏层激活来记住一些信息/上下文。这使得单向RNN可以提取过去的信息以处理之后的输入。双向RNN则可以借鉴过去和未来的上下文信息。符号：1 循环神经网络的正向传播在本周之

在此作业中，你将使用numpy实现卷积（CONV）和池化（POOL）层，包括正向传播和反向传播。符号：我们假设你已经熟悉numpy或者已经完成了之前的专业课程。那就开始吧！让我们首先导入在作业过程中需要用到的包：2 作业大纲你将实现构建卷积神经网络的需要的模块！要求实现的每个函数都有详细的说明，以帮助你完成所需的步骤：本笔记本将要求你使用 numpy从头开始实现这些函数。在下一本笔记本中，你将学习

到目前为止，你一直使用numpy来构建神经网络。现在，我们将引导你使用深度学习框架，改框架将使你可以更轻松地构建神经网络。TensorFlow，PaddlePaddle，Torch，Caffe，Keras等机器学习框架可以极大地加速你的机器学习开发速度。所有这些框架也都有好多文档，你应该随时阅读学习。在此笔记本中，你将学习在TensorFlow中执行以下操作：编程框架不仅可以缩短编码时间，而且有时