神经网络中数据格式结构化数据：数据表。例如：班级名单、股票价格等。非结构化数据：序列（文本）、图片、视频。神经网络中可以使用的数据：数据表-2D数据 形状=（样本数，特征数）序列类-3D数据 形状=（样本数，步长，特征数）图像类-4D数据 形状=（样本数，宽，高，通道数）视频类-5D数据 形状=（样本数，帧数，宽，高，通道数）数据表：2D数据，其实就是矩阵，一般可以存储为csv或者excel序列类

2.1 离散特征如何让DNN处理参数量会大量降低。2.2典型网络融合结构之一：并行结构2.3典型网络融合结构之一：串行结构2.4 模型训练与优化平行结构或者菱形结构效果较好2.5 互联网公司深度学习CTR案例---Google互联网公司深度学习CTR案例---阿里巴巴...

一、激励函数如上图：神经元的输出值会经历一个f函数，我们将这个函数叫做激励函数。加入激励函数的目的是为了让神经网络模型能够逼近非线性函数。假若去掉激励函数，神经元就只有线性函数y=wx+b，这样的神经网络就只能逼近线性函数。假如在不加激励函数的前提下，要训练一个分类模型，倘若数据是非线性可分的，那么模型的准确率会相当低，因为我们的模型训练不出一个非线性函数去拟合数据。常见的激励函数：1.Sigmo

3、打开电脑的文件夹：C:\Windows\System32\drivers\etc 下的hosts文件下复制这个ip地址。4、win+r 打开cmd，输入ipconfig/flushdns。2、复制检测出来的任意一个ip。

链接：https://pan.baidu.com/s/1mq3SJmRULsXnsml-JWLxgw提取码：6y3y

目录1. 神经网络发展史反向传播2.线性模型规则需要专业领域专家制定，规则越来越强大，难以维护。新的挑战：人工设置特征会有很多限制；SVM处理大数据集效果不好；越来越多的数据需要处理非结构化数据；1. 神经网络发展史反向传播深度学习发展的原因：算法、数据、显卡2.线性模型问题假设：测试集测试其泛化能力（对于为训练的特征也能很好的识别）。数据集（训练集、测试集）---->问题：只有训练集，测.

（2）安装插件后，打开 WPS，菜单栏会新增“OfficeAI 助手”4.接入DeepSeek。不过现在不能免费使用了哦。