深度学习——概述及反向传播BP算法
2018-01-02 15:00
302 查看
O、机器学习回顾
机器学习可以当做深度学习的分类器,深度学习用于提取特征,将特征向量喂给机器学习算法进行分类与回归。
一、神经网络来源——神经元
二、浅层神经网络前向传播
1、单个样本单隐藏层的神经网络前向传播
2、多个样本(训练集)上的单隐藏层的神经网络前向传播
三、几种激活函数及其导数
四、神经网络梯度下降法
五、深层神经网络(DNN)
前向传播求损失,反向传播求梯度。
机器学习可以当做深度学习的分类器,深度学习用于提取特征,将特征向量喂给机器学习算法进行分类与回归。
一、神经网络来源——神经元
二、浅层神经网络前向传播
1、单个样本单隐藏层的神经网络前向传播
2、多个样本(训练集)上的单隐藏层的神经网络前向传播
三、几种激活函数及其导数
四、神经网络梯度下降法
五、深层神经网络(DNN)
前向传播求损失,反向传播求梯度。
相关文章推荐
- 深度学习基础:反向传播即BP算法的推导过程
- 离散优化代替反向传播:Pedro Domingos提出深度学习新方向
- 深度学习第三次课-梯度下降与反向传播
- 深度学习21天实战Caffe学习笔记--笔记5--caffe中前向传播、反向传播及最优化求解过程
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- 深度学习 — 反向传播(BP)理论推导
- 深度学习与计算机视觉系列(5)_反向传播与它的直观理解
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- 深度学习要另起炉灶,彻底抛弃反向传播
- 深度卷积神经网络学习笔记2:步长不为1的卷积前向传播和反向传播
- 深度学习入门课程学习笔记06 反向传播
- 【深度学习技术】python 反向传播求梯度
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- [深度学习] 反向传播的四个基本公式证明及算法流程
- 从反向传播到迁移学习,盘点人工智能从业者必备的10个深度学习方法
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- 深度学习与计算机视觉系列(5)_反向传播与它的直观理解
- 深度学习与计算机视觉系列(5)_反向传播与它的直观理解
- 深度学习与计算机视觉系列(5)_反向传播与它的直观理解
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络