吴恩达-深度学习（带中文字幕）

深度学习永远在路上~~

吴恩达老师的这门课一共有五个课程，第一门课程是神经网络和深度学习（大概分四周进行学习），学完之后的目标是能够建立和运用深度神经网络模型。第一周是进行了深度学习的入门介绍。第二周是神经网络的编程基础，这里介绍神经网络的正向传播、反向传播、算法的过程，以及如何高效实现神经网络，这一周将会有一些编程练习，需要自己去调试。第三周会学习构建一个单隐藏层的神经网络。第四周会学习构建一个多隐藏层的神经网络。深度学习是用来训练神经网络的，那么神经网络到底是什么？这里简单用一个房价函数来描述神经网络。

引言 本文是吴恩达深度学习第一课。主要讨论了如何建立神经网络(包括一个深度神经网络)、以及如何训练这个网络。 在本章的最后会做一个猫图像识别。 需要机器学习基础 什么是神经网络 假设我们知道六个房屋价格样本，特征是房屋大小。它们的分布如上图，纵轴是房屋价格，标签。横轴是特征房屋大小。 我们知道通过一条直线可以拟合只写样本点，并且房屋价格不会是负数，因此画出了上面这样一条直线。 我们可以把刚才得到的拟合房屋价格的函数看成是一个最简单的神经网络(Neural Network,NN)。 我们输入了房屋大小

在计算机中为了保存一张图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。从简单的根据房子尺寸预测房价例子开始，拟合房价的过程从左抽象为右，输入房子尺寸，输出价格，这就是一个简单的神经网络，中间的圆圈就是一个独立的神经元。损失函数是在单个训练样本中定义的，它衡量的是算法在单个训练样本中表现如何，为了衡量算法在全部训练样本上的表现如何，我们需要定义一个算法的总代价函数，即对。

1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c 2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/ 3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai ...

在深度学习中，偏差（Bias）和方差（Variance）是评估模型泛化能力的重要概念。它们描述了模型在训练集和新数据上的表现差异，对于理解和改进模型的性能至关重要。

第一章 数据规模驱动了深度学习的发展 图中的数据指的是带有标签的数据 除了数据规模，还有计算能力的提升和算法的创新（sigmoid，RElu） 第二章 二分分类 2.1 识别猫咪 将红蓝绿的像素值取出放入特征向量x中，y为标签 训练集和测试集的表示符号 3. 逻辑回归(Logistic Regression, LR) 输入x，得到概率值y 由于y需要在[0, 1]，如果简单地进行线性回归处理，wT + b有时候会大于一或为负数 为避免上述情况，所以将wT + b输入sigmoid函数中，

深度学习-吴恩达逻辑回归m样本梯度下降向量化 第一门课 逻辑回归 m样本梯度下降 一次梯度下降 向量化

来源：迈微电子研发社、AI科技大本营 本文约7800字，建议阅读15分钟本文将从深度学习基础、卷积网络和循环网络三个方面介绍该笔记。 吴恩达在推特上展示了一份由 TessFerran...

1.卷积层（Convolutional Layer） "卷积"的“卷”指的是num_channel通道数， 经过卷积后size减小，输出层深度为卷积核个数。 ① 为什么要用卷积？ 19世纪60年代，科学家通过对猫的视觉皮层细胞研究发现，每一个视觉神经元只会处理一小块区域的视觉图像，即感受野（Receptive Field）。卷积神经网络的概念即出自于此。说简单这样做保留了图像的空间信息...