5 贝叶斯（计算）
贝叶斯定理
贝叶斯定理中：先验概率、似然函数和后验概率。举例：在丛林发现某一生物（假设两类：人A或者猩猩B）有长长的手臂C，
先验概率：在丛林中出现猩猩的概率更大，即设是猩猩的概率p(B)为0.7，可得P(A)=0.3；（通过生活中的一些经验得到的，可轻易得到的）
似然函数为p(C|B)，即猩猩表现为手臂较长的可能性（似然）较大；
后验概率为p(B|C)，即通过手臂较长这个条件判断该生物为猩猩的概率。
所以贝叶斯定理的核心思想是：通过先验概率和似然函数最终求得后验概率。
举例
6 BP（原理、应用）
全连接前馈网络
4x20+20+20x3+3
7 训练技巧（Batch,lr,…）
伪代码
INPUT：数据集 D = {（xi，yi）}（i：1～N） 数据划分：训练集 D1 = {（xi，yi）}（i：1～m） 测试集 D2= {（xi，yi）}（i：1～p） 训练阶段： 定义学习率 η 在（0，1）内初始化神经元的连接权值和阈值； REPEAT FOR ALL （xk，yk）IN D1 根据当前样本的数据计算神经网络输出； 计算神经网络输出与标签值的误差； 根据误差计算各个参数的下降梯度； 根据下降梯度更新参数； END UNTIL 达到迭代次数 OUTPUT = BP神经网络 测试阶段： 输入：所有（xk，yk）IN D2 根据D2样本的数据计算神经网络的输出； 输出预测准确率；
8 CNN（参数、特征图）
CNN
卷积操作
举例
假设输入的图像为100*100像素（RGB）的图像， 且使用了卷积层进行处理， 其包括100个过滤器，每个的尺寸为5*5，则这个隐藏层需要多少参数（包括偏置参数）？ 100*（5*5*3+1）=7600
池化操作
池化操作没有学习的参数
VGG16
