×
思维导图备注
神经网络与深度学习(完整版)
首页
小程序
下载
阅读记录
书签管理
我的书签
添加书签
移除书签
编辑文档
改进神经网络的学习方法
来源 1
浏览
1151
扫码
分享
2018-07-20 07:12:30
改进神经网络的学习方式
上一篇:
下一篇:
Introduction
使用神经网络识别手写数字
感知机
sigmoid神经元
神经网络的结构
用简单的网络结构解决手写数字识别
通过梯度下降法学习参数
实现我们的神经网络来分类数字
迈向深度学习
改进神经网络的学习方法
交叉熵代价函数
用交叉熵解决手写数字识别问题
交叉熵的意义是什么？它又是怎么来的？
Softmax
过拟合和正则化
正则化
为什么正则化能够降低过拟合
其它正则化技术
参数初始化
重温手写数字识别：代码
如何选择神经网络的超参数
其它技术
神经网络可以计算任何函数的可视化证明
两个预先声明
一个输入和一个输出的普遍性
多个输入变量
S型神经元的延伸
修补阶跃函数
结论
为什么深度神经网络的训练是困难的
梯度消失问题
什么导致了消失的梯度问题？深度神经网络中的梯度不稳定性
在更加复杂网络中的不稳定梯度
其他深度学习的障碍
深度学习
介绍卷积网络
卷积神经网络在实际中的应用
卷积网络的代码
图像识别领域中的近期进展
其他的深度学习模型
神经网络的未来
附录：是否有关于智能的⼀个简单的算法？
反向传播算法是如何工作的
热身：一个基于矩阵的快速计算神经网络输出的方法
关于代价函数的两个假设
Hadamard积，s⨀t
反向传播背后的四个基本等式
四个基本方程的证明（自选）
反向传播算法
反向传播算法代码
为什么说反向传播算法很高效
反向传播：整体描述
暂无相关搜索结果！
本文档使用
BookStack
构建
×
分享，让知识传承更久远
×
文章二维码
手机扫一扫，轻松掌上读
×
文档下载
请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
PDF
文档
EPUB
文档
MOBI
文档
×
微信小程序阅读
微信扫一扫，知识掌上学
×
书签列表
×
阅读记录
阅读进度:
0.00%
(
0/0
)
重置阅读进度
我的书签
添加书签
移除书签