一步步手写神经网络       &

神经网络入门基础知识 neural networks basics也许现在提到深度学习（deep learning）连非计算机专业的人都听说过，尤其是最近“人机大战”更是掀起了人们对深度学习的极大关注。而深度学习则源于神经网络的研究。神经网络其实是一门相对古老的算法，它最初产生的目的是制造能够模拟这个星球最复杂的东西“人脑”的机器，但是神经网络的发展也是几经波折，下面引用周志华大牛《机

win10+GTX1080ti+python3.6.5配置cuda9.0+cudnn7.5.0+ TensorFlow-gpu1.12.0前言：最近终于把自己的主机组装好了，入手了1080ti，所以重新配置了下TensorFlow GPU版，把安装的过程记录下。首先TensorFlow目前不支持cuda9.1，cuda9.2，cuda10。如果想用这几个高版本的，需要自己下载TensorFlow.

深度学习中神经网络的几种权重初始化方法       在深度学习中，神经网络的权重初始化方法对（weight initialization）对模型的收敛速度和性能有着至关重要的影响。说白了，神经网络其实就是对权重参数w的不停迭代更新，以期达到较好的性能。在深度神经网络中，随着

win10+GTX1080ti+python3.6.5配置cuda9.0+cudnn7.5.0+ TensorFlow-gpu1.12.0前言：最近终于把自己的主机组装好了，入手了1080ti，所以重新配置了下TensorFlow GPU版，把安装的过程记录下。首先TensorFlow目前不支持cuda9.1，cuda9.2，cuda10。如果想用这几个高版本的，需要自己下载TensorFlow.

深度学习中神经网络的几种权重初始化方法       在深度学习中，神经网络的权重初始化方法对（weight initialization）对模型的收敛速度和性能有着至关重要的影响。说白了，神经网络其实就是对权重参数w的不停迭代更新，以期达到较好的性能。在深度神经网络中，随着

Dropout Regularization（丢弃正则化）        为了防止过拟合的问题，我们最常使用的手段就是L2正则化，即在代价函数后面加一个L2正则项。关于L2正则化，我前面的博客已经讲了很多次了，这里就不在赘述了。这篇博客主要介绍下dropo

异常检测（anomaly detection）关于异常检测（anomaly detection）本文主要介绍一下几个方面：异常检测定义及应用领域常见的异常检测算法高斯分布（正态分布）异常检测算法评估异常检测算法异常检测VS监督学习如何选择使用features多元高斯分布多元高斯分布在异常检测上的应用一、异常检测定义及应用领域先来看什么是异常检测？所谓异常检测就是发现与大

Gradient Checking（梯度检验）        我们有时候实现完backward propagation，我们不知道自己实现的backward propagation到底是不是完

分类与回归树（classification and regression tree，CART）之回归写在前面： 因为正在看提升树，所以又去看了李航老师《统计学习方法》的CART算法的回归部分，看完莫名想起了本科导师的名言：国内人写书，喜欢简单问题复杂化，复杂问题超级复杂化。可能是我境界不够，我不明白两个for循环的事情为何会叙述的如此复杂。。复杂到你可能得花费一些时间去思考他想表达什么，复杂到你.