原创 吳恩達深度學習——循環神經網絡

文章目錄引言序列模型能解決什麼問題符號定義循環神經網絡穿越時光反向傳播不同類型的循環神經網絡語言模型和序列生成對新序列採樣RNN的梯度消失問題GRU單元長短記憶網絡(LSTM)雙向RNN神經網絡深層RNN參考 引言 本文是吳恩達深

原创 LeetCode刷題——120. 三角形最小路徑和

題目 給定一個三角形,找出自頂向下的最小路徑和。每一步只能移動到下一行中相鄰的結點上。 例如,給定三角形: [ [2], [3,4], [6,5,7], [4,1,8,3] ] 自頂向下的最小路徑和爲

原创 LeetCode刷題——64. 最小路徑和

題目 給定一個包含非負整數的 m x n 網格,請找出一條從左上角到右下角的路徑,使得路徑上的數字總和爲最小。 說明:每次只能向下或者向右移動一步。 示例: 輸入: [ [1,3,1], [1,5,1], [4,2,1

原创 LeetCode刷題——除數博弈

題目 愛麗絲和鮑勃一起玩遊戲,他們輪流行動。愛麗絲先手開局。 最初,黑板上有一個數字 N 。在每個玩家的回合,玩家需要執行以下操作: 選出任一 x,滿足 0 < x < N 且 N % x == 0 。 用 N - x 替換黑板

原创 《統計學習方法》——決策樹

引言 本文是統計學習方法第二版的讀書筆記。主要學習了決策樹的生成算法。 決策樹主要優點是模型具有可讀性,分類速度快。 建議先看下機器學習入門——決策樹圖解(附代碼) 決策樹模型與學習 決策樹模型 分類決策樹模型是一種描述對實例進行

原创 LeetCode刷題——70. 爬樓梯

題目 假設你正在爬樓梯。需要 n 階你才能到達樓頂。 每次你可以爬 1 或 2 個臺階。你有多少種不同的方法可以爬到樓頂呢? 注意:給定 n 是一個正整數。 示例 1: 輸入: 2 輸出: 2 解釋: 有兩種方法可以爬到樓頂。 1

原创 人工智能數學基礎之高等數學(持續更新)

引言 不懂數學是學不好人工智能的,本系列文章就彙總了人工智能所需的數學知識。本文是高等數學篇。 另有線代篇和概率論篇。 人工智能數學基礎之概率論 人工智能數學基礎之線性代數(持續更新) 函數與極限 函數 y=f(x)y = f

原创 吳恩達深度學習——人臉識別與神經風格轉換

文章目錄引言什麼是人臉識別One-Shot學習Siamese網絡Triplet損失面部驗證與二分類什麼是神經風格轉換深度卷積網絡在學習什麼神經風格轉換代價函數內容代價函數風格代價函數從一維到三維的推廣參考 引言 本文是吳恩達深度學

原创 LeetCode刷題——343. 整數拆分

題目 給定一個正整數 n,將其拆分爲至少兩個正整數的和,並使這些整數的乘積最大化。 返回你可以獲得的最大乘積。 示例 1: 輸入: 2 輸出: 1 解釋: 2 = 1 + 1, 1 × 1 = 1。 示例 2: 輸入

原创 吳恩達深度學習——目標檢測

文章目錄引言目標定位特徵點檢測目標檢測卷積的滑動窗口實現邊框預測交併比非極大值抑制錨框YOLO算法參考 引言 本文是吳恩達深度學習第四課:卷積神經網絡。本次課程將會告訴大家如何構造卷積神經網絡並應用到圖像數據上。從中你會學到如何構

原创 Softmax與Cross-entropy的求導

引言 在多分類問題中,一般會把輸出結果傳入到softmax函數中,得到最終結果。並且用交叉熵作爲損失函數。本來就來分析下以交叉熵爲損失函數的情況下,softmax如何求導。 對softmax求導 softmax函數爲: yi=ez

原创 吳恩達深度學習——深度卷積模型:實例分析

文章目錄引言爲什麼進行實例分析經典網絡LeNet-5AlexNetVGG-16殘差網絡(ResNets)殘差塊(Residual block)殘差網絡爲什麼有用網絡中的網絡以及1x1卷積Inception網絡簡介完整的incept

原创 《統計學習方法》——樸素貝葉斯法

引言 樸素貝葉斯法(Naive Bayes)是基於貝葉斯定理與特徵條件獨立假設的分類方法。樸素貝葉斯法實現簡單,學習與預測的效率都很高,是一種常用的方法。 這一章需要大量的概率論知識,忘記了的同學建議先參閱人工智能數學基礎之概率論

原创 吳恩達深度學習——機器學習策略(二)

文章目錄引言進行錯誤分析清除標記錯誤的數據快速搭建你的第一個系統,並進行迭代在不同的分佈上進行訓練並測試不匹配數據劃分的偏差和方差定位數據不匹配遷移學習多任務學習什麼是端到端深度學習是否要應用端到端方法參考 引言 本文是吳恩達深度

原创 理解神經網絡的權重初始化

引言 在吳恩達深度學習——深度學習的實用指南中我們說過權重初始化的意義,我們知道初始化每層的權重時要考慮上一層的神經元數,本文我們來通過代碼驗證一下。 這是吳恩達深度學習第二課的作業,如果你也在學習吳恩達深度學習教程,並且未做作