第一章 使用神经网络识别手写数字 第一章 使用神经网络识别手写数字 人类视觉系统是世界上众多奇迹之一。看看下面的手写数字序列： 大多数人毫不费力就能够认出这些数字为 504192. 这么容易反而让人觉着迷惑了。在人类的每个脑半球中，有着一个初级视觉皮层，常称为 V1，包含 1 亿 4 千万个神经元及数百亿条神经元间的连接。但是人类视觉不是就只有 V...

Deeplearning Algorithms tutorial CART 相关应用 优缺点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱...

第六章 深度学习 卷积网络简介 实践中的卷积神经网络 卷积网络的代码 问题 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 第六章 深度学习 在上一章，我们学习了深度神经网络通常比浅层神经网络更加难以训练。我们有理由相信，若是可以训练深度网络，则能够获得比浅层网络更加强大的能力，但是现实很残酷。从上一章我们可以看到很多不利...

TransformerDecoderLayer TransformerDecoderLayer class paddle.nn. TransformerDecoderLayer ( d_model, nhead, dim_feedforward, dropout=0.1, activation=’relu’, attn_dropout=None, a...

TransformerDecoderLayer TransformerDecoderLayer class paddle.nn.TransformerDecoderLayer ( d_model, nhead, dim_feedforward, dropout=0.1, activation=’relu’, attn_dropout=None, a...

神经网络层 神经网络层 卷积 池化 图像检测 序列 数学操作 激活函数 损失函数 数据输入输出 控制流 稀疏更新 使用DataFeeder传入训练/预测数据 学习率调度器 张量

神经网络层 神经网络层 卷积 池化 图像检测 序列 数学操作 激活函数 损失函数 数据输入输出 控制流 稀疏更新 使用DataFeeder传入训练/预测数据 学习率调度器 张量

处理偏差和方差 处理偏差和方差 下面是处理偏差和方差问题最简单的形式： 如果具有较高的可避免偏差，那么加大模型的规模（例如通过添加层/神经元数量来增加神经网络的大小）。 如果具有较高的方差，那么增加训练集的数据量。 如果你可以加大神经网络的规模且无限制地增加训练集数据，那么许多机器学习问题都可以取得很好的效果。 实际上，不断加大网络的规模使你...

十五、自编码器 十五、自编码器 自编码器是能够在无监督的情况下学习输入数据的有效表示（叫做编码）的人工神经网络（即，训练集是未标记）。这些编码通常具有比输入数据低得多的维度，使得自编码器对降维有用（参见第 8 章）。更重要的是，自编码器可以作为强大的特征检测器，它们可以用于无监督的深度神经网络预训练（正如我们在第 11 章中讨论过的）。最后，他们能够...