一.如何用计算机可以处理的方式来表示单词（也叫作“分词”）import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.preprocessing.test import Tokenizersentences=[‘I love my dog’,      

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

代价函数是凸函数但是模型中加完非线性激活 后，非线性层之间的多次复合变换，使得模型变的极为复杂，求出的预测值带入损失函数后，代价函数就不见得是凸函数了我们要求出代价函数的全局极小值点，由于有理论指出：代价函数的大部分极小值点足够接近全局极小值点。所以我们求极小值点就可以方法： 使用梯度下降算法（梯度指函数在该点处沿着该方向增长最快，那么我们沿着梯度的反方向，就可以使该函数在该点出下降最快）为了使w

学习目录：内容目录：无监督学习包含算法：聚类：K-means(K均值聚类）降维：PCAK-means原理API：案例：如何对无监督学习进行评估？K-means算法总结：特点：采用迭代式算法，直观易懂且实用缺点：容易收敛到局部最优解（当k个初始点聚在一起的时候），可以使用多次聚类解决应用场景：当没有目标值时，先做聚类，如何再进行分类...

学习目录：逻辑回归内容目录：逻辑回归应用场景：应用于二分类问题逻辑回归原理：将线性回归的输出映射到激活函数sigmiod上，输出0-1区间的一个数，当做概率值，若大于我们设置的阈值，则认为他属于这个类别。损失函数：对数似然函数整体逻辑回归流程：API：分类评估指标精确率和召回率的计算：当样本分类不均衡时，99个否，1个是，使用精确率和召回率就不好用了：就要引入ROC曲线和AUC指标API模型的保存

目的：对乳腺超声图像进行多类分割（真皮层、脂肪层、腺体层、肿瘤层、肌肉层、背景区域）第一章绪论（大概内容）：1.介绍课题背景和研究意义2.国内外研究现状a.图像的非语义分割方法概述（基于阈值、基于边缘检测、基于区域、基于图论、基于聚类、基于能量函数）b.图像的语义分割方法概述（传统的模式识别分类器（SVM等）、机器学习方法、深度学习方法）第二章图像的多种特征提取（大概内容）：1.介绍并对比多种特征