-
你所不知道的 cnblogs
你所不知道的 cnblogs -
Python module all in one
Python module all in one Python module import Module import Module as Alias_Module from Module import Function -
PIP & Python packages management
PIP & Python packages management Anaconda PEP 8 Python 3.8 -
第二次作业：卷积神经网络 part 1
第二次作业 1.第一部分(视频笔记) 1.1自编码的种类： 正则自编码器(应用是使提取的特征表达式符合某种性质) 稀疏自编码器(提取稀疏特征表达) 去噪自编码器(提取鲁棒特征表达) 变分自编码器(是非监督生成模型与对抗生成网络相关，通过编码得到隐层特征表达空间Z，再通过解码生成样本) 1.2深度网络 -
深度学习笔记二：卷积神经网络（CNN）
#卷积神经网络CNN ##1. 绪论 ###1. 卷积神经网络的应用 基本应用：分类、检索、检测、分割 ###2. 传统神经网络 VS 卷积神经网络 深度学习三部曲： 放一个知乎上写的辅助理解CNN的文章：https://zhuanlan.zhihu.com/p/27908027 Step 1. 搭 -
第二次作业：卷积神经网络 part 1
恢复内容开始 1. 视频学习 深度学习的数学基础 自编码器变种包括 正则自编码器，稀疏自编码器，去噪自编码器，变分自编码器 数学基础 线性代数（数据表示、空间变换的基础） 概率论统计（模型假设、策略设计的基础） 最优化（求解目标函数的具体算法） 信息论 微积分 神经网络在“学”什么 任意一个向量，只 -
第二次作业：卷积神经网络 part 1
##视频学习 ###卷积神经网络 ####卷积神经网络的组成 卷积：要计算一个feature（特征）和其在原图上对应的某一小块的结果，只需将两个小块内对应位置的像素值进行乘法运算，然后将整个小块内乘法运算的结果累加起来，最后再除以小块内像素点总个数即可(也可以不除)。当图像尺寸增大时，其内部的加法、 -
第二次作业：卷积神经网络 part 1
视频学习 深度学习的数学基础 卷积神经网络 代码练习 MNIST 数据集分类 配置 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvis -
第二次作业：卷积神经网络 part 1
一、视频学习及问题总结 深度学习的数学基础 1.1 矩阵线性变换 给定的矩阵A，假设其特征值为λ，特征向量为x，则有Ax=λx ， 特征向量只有尺度变化，没有方向变化，变化系数就是特征值。 下图就是矩阵线性变换的示意图。求出矩阵的特征值为2和8,得出特征向量（1.-1）、（1.1），图形由圆形经过变 -
【2020暑假学习】第二次作业：卷积神经网络 part1
视频学习 卷积神经网络 基本应用：图片分类、检索、检测、分割，人脸验证、人脸识别、遗传病识别、人脸表情识别、图像生成、图像风格转化、自动驾驶 深度学习三部曲：1.搭建神经网络 2.找一个合适的损失函数 3.找一个合适的优化函数更新参数 损失函数：用来衡量吻合度，来调整参数，使映射结果与实际类别吻合。 -
第二次作业：卷积神经网络 part1
##Part one视频学习心得及问题总结 ###1 深度学习的数学基础 ###1.1 自编码器变种 正则自编码器 使提取的特征表达符合某种性质 稀疏自编码器 提取稀疏特征表达 去噪自编码器 提取鲁棒特征表达，能够对被破坏的原始数据编码、解码，还能恢复真正的原始数据 变分自编码器 基于隐层特征表达空 -
2020软件工程作业02
这个作业属于哪个课程 2018级软件工程 - 中南林业科技大学涉外学院 这个作业要求在哪里 2020软件工程作业02 这个作业的目标 学习如何学习 其他参考文献 软件工程 ###一、寄语：写在前面的话 (福大张栋老师)：初心、勇气和信心。 回顾初心，回想自己当初为什么报这个专业。有的同学源于身边的亲 -
第二次作业：卷积神经网络 part 1
【第一部分】 视频学习心得及问题总结 【第二部分】 代码练习 2.1 MNIST 数据集分类 首先 先import~ import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as op -
第二次作业：卷积神经网络 part 1
二、代码练习 1、MNIST 数据集分类 卷积神经网络（CNN） 深度卷积神经网络中，有如下特性 很多层: compositionality 卷积: locality + stationarity of images 池化: Invariance of object class to transla -
第二次作业：卷积神经网络 part 1
第二次作业：卷积神经网络 part 1 视频学习 数学基础 受结构限制严重，生成式模型效果往往不如判别式模型。 RBM：数学上很漂亮，且有统计物理学支撑，但主流深度学习平台不支持RBM和预训练。 自编码器：正则自编码器、稀疏自编码器、去噪自编码器和变分自编码器。 概率/函数形式统一： 欠拟合、过拟合 -
卷积神经网络 part1
【任务一】视频学习心得及问题总结 根据下面三个视频的学习内容，写一个总结，最后列出没有学明白的问题。 【任务二】代码练习 在谷歌 Colab 上完成代码练习，关键步骤截图，并附一些自己的想法和解读。 【任务三】展望学习 结合论文自学谷歌提出的 Inception V1 至 V4， 以及 Mobile -
第二次作业：卷积神经网络 part 1
#1 视频学习 ##1.1 深度学习的数学基础 在这一章里主要学习了以下内容： 矩阵的线性变换，特征向量与特征值； 秩：如果矩阵的各行具有相关性，一般是低秩的；通常利用秩进行数据降维（如：利用最大秩压缩图像、奇异值分解）和低秩近似（如：图像去噪，将矩阵分解为一个低秩矩阵，一个稀疏矩阵）； 机器学习的 -
第二周：卷积神经网络 Part1
【第一部分】 视频学习心得 1.机器学习中的数学基础 机器学习对线性代数和概率统计的知识比较多。 矩阵秩的定义： 1.线性方程组的角度：度量矩阵行列之间的相关性 2.数据点分布的角度：表示数据需要的最小的基的数量 2.欠拟合 欠拟合：训练集的一般性质尚未被机器学习好（训练误差大） 解决方案：提高模型 -
第二次作业：卷积神经网络_part_1
#【第一部分】视频学习 ##一、深度学习的数学基础 ·概率是基础 ·支持向量机涉及很多数学基础 ·梯度下降是神经网络共同的基础 ###策略设计 ·训练误差→泛化误差 ·无免费午餐定理 当考虑在所有问题上的平均性能时，任意两个模型都是相同的 没有任何一个模型可以在所有的学习任务里表现最好 **note -
第二次作业：卷积神经网络 part 1
2.1视频学习 机器学习（深度学习）中的数学基础 概率论 线性代数 对于某些特殊的向量（x），矩阵A的作用只有尺度的变化而没有方向变化，这类特殊的矩阵（x）就是特征向量，尺度变化系数就是特征值。 最优化 数学知识点 算法或理论 知识点 贝叶斯分类器 随机变量，贝叶斯公式，随机变量独立性，正态分布，最