原创 2017CS231n李飛飛深度視覺識別筆記（八）——深度學習 軟件
第八章 深度學習軟件 上一章中討論了深度學習中的優化算法，包括SGD動量、Nesterov、RMSProp和Adam；也討論了正則化:尤其是dropout；最後也討論了遷移學習，可以下載預訓練過的模型，然後在自己的實際任務中進行微
2018-09-01 05:32:35
原创 2017CS231n李飛飛深度視覺識別筆記（四）——神經網絡
第四講 神經網絡課時1 反向傳播 目前，我們已經講了怎麼定義一個分類器、怎麼定義一個損失函數以及它的正則化，也討論了用梯度下降的方法找到最小化的損失函數。 接下來，將討論如何計算任意複雜函數的解析梯度，用到一個叫計算圖的框架。
2018-09-01 05:32:35
2
原创 2017CS231n李飛飛深度視覺識別筆記（一）——計算機視覺概述和歷史背景
第一章 計算機視覺概述和歷史背景課時1 計算機視覺概述 計算機視覺：針對視覺數據的研究。 關鍵是如何用算法來開發可以利用和理解的數據，視覺數據存在的問題是它們很難理解，有時把視覺數據稱爲“互聯網的暗物質”，它們構成了網絡上傳輸
2018-09-01 05:32:35
8
原创 2017CS231n李飛飛深度視覺識別筆記（五）——卷積神經網絡
第五講 卷積神經網絡課時1 歷史 在上一章中，我們討論了神經網絡的有關知識以及線性評分函數的運行實例，通過堆疊線性層來實現完整的神經網絡。 接下來，我們將討論卷積神經網絡，以下是1998年LeCun應用反向傳播和基於梯度的學習
2018-09-01 05:32:35
2
原创 2017CS231n李飛飛深度視覺識別筆記（七）——訓練神經網絡（下）
第七講 訓練神經網絡（下） 課時1 更好的優化 上一章中討論了一些激活函數和它們不同的屬性，由於sigmoid函數和tanh函數在兩端都存在梯度消失的問題，所以在實際中一般建議使用ReLU函數和它的其他形式；同時也討論了權重初始
2018-09-01 05:32:35
1
原创 2017CS231n李飛飛深度視覺識別筆記（二）——圖像分類
第二章 圖像分類課時1 數據驅動方法 在上一章的內容，我們提到了關於圖像分類的任務，這是一個計算機視覺中真正核心的任務，同時也是本課程中關注的重點。 當做圖像分類時，分類系統接收一些輸入圖像，並且系統已經清楚了一些已經確定了分
2018-09-01 05:32:35
5
原创 2017CS231n李飛飛深度視覺識別筆記（六）——訓練神經網絡（上）
第六章 訓練神經網絡（上） 課時1 激活函數 我們已經討論過如何使用計算圖來表達一個函數，並且明確的探討了神經網絡，它包含若干個線性層，而層與層之間通過非線性函數進行連接實現堆疊；也介紹了卷積神經網絡，它使用卷積層貫穿整個網絡結構
2018-09-01 05:32:35
3