暂时未有相关云产品技术能力~
『为AI硬核资料库(cool)而生!』构建AI解决方案,用知识加速每一次技术成长!网站:https://www.showmeai.tech/ 公众号:ShowMeAI研究中心
本节介绍目标检测,是计算机视觉中最典型的应用之一,主要内容包括:目标定位,特征点检测,目标检测,边框预测,非极大值抑制,YOLO,RCNN等。
本节展开介绍典型的CNN结构(LeNet-5、AlexNet、VGG),以及 ResNet(Residual Network,残差网络),Inception Neural Network,1x1卷积,迁移学习,数据扩增和手工工程与计算机现状等知识点。
本节介绍卷积神经网络,覆盖以下内容要点:卷积计算、填充,卷积神经网络单层结构,池化层结构,卷积神经网络典型结构,CNN特点与优势。
本节覆盖构建机器学习项目的后半部分内容,包括:错误分析(error analysis),错误标签情况及修正,数据分布和数据不匹配问题及解决办法,迁移学习,多任务学习,端到端学习。
本节覆盖机器学习中的一些策略和方法,让我们能够更快更有效地让机器学习系统工作,内容包括:正交化方法,建立单值评价指标,数据集划分要点,人类水平误差与可避免偏差,提高机器学习模型性能总结等。
本节介绍超参数调试、批归一化和深度学习编程框架三个部分,内容包括:超参数优先级与调参技巧,超参数的合适范围确定,Batch Normalization,softmax回归,深度学习框架等。
本节介绍深度神经网络中的一些优化算法,使用这些技巧和方法来提高神经网络的训练速度和精度:mini-batch,随机梯度下降,指数加权平均,动量梯度下降、RMSprop和Adam算法,学习率衰减法等。
本篇讲解如何优化神经网络模型,包括Train / Dev / Test sets的切分和比例选择,Bias和Variance的相关知识,防止过拟合的方法,规范化输入以加快梯度下降速度和精度,梯度消失和梯度爆炸的原因及处理方法,梯度检查。
本节讨论深层神经网络,包括深层神经网络的结构、深层神经网络前向传播和反向传播过程、需要深层神经网络的原因、神经网络参与超参数、神经网络与人脑简单对比。
本文从浅层神经网络入手,讲解神经网络的基本结构(输入层,隐藏层和输出层),浅层神经网络前向传播和反向传播过程,神经网络参数的梯度下降优化,不同的激活函数的优缺点及非线性的原因
本节介绍神经网络的基础——逻辑回归,通过对逻辑回归模型结构的分析,过渡到后续神经网络模型。内容包括二分类问题、逻辑回归模型及损失函数,梯度下降算法,计算图与正向传播及反向传播。
本篇为深度学习系列教程的引言,以房价预测为例,讲解神经网络(Neural Network)模型结构和基础知识,并介绍针对监督学习的几类典型神经网络:Standard NN,CNN和RNN等知识。
本篇内容是组织的「深度学习原理知识大全」系列教程入口,教程依托吴恩达老师《深度学习专项课程》,对内容做了重新梳理与制作,以更全面和直观的图文方式,对深度学习涉及的知识、模型、原理、应用领域等进行详解