DEEP LEARNING之二十六：卷积神经网络中的Padding和Strided 卷积
卷积带来的问题 应用卷积后，我们发现带来两个问题。 数据损失 应用卷积后，我们会发现输出的矩阵总是小… 继续阅读 DEEP LEARNING之二十六：卷积神经网络中的Padding和Strided 卷积
DEEP LEARNING之二十五：卷积神经网络中关于Edge Detection的Filter
通过上一篇文章，你可能看到一个经过巧妙设计的Filter具有了检测竖直边缘的能力。这一篇文章我们就来… 继续阅读 DEEP LEARNING之二十五：卷积神经网络中关于Edge Detection的Filter
DEEP LEARNING之二十四：计算机视觉与卷积神经网络
人类获取外界信息最重要的途径就是视觉。要想实现AI，计算机也必须能够理解视觉内容。深度学习，特别是加… 继续阅读 DEEP LEARNING之二十四：计算机视觉与卷积神经网络
- 发表于：
-
作者：
Mark
- 分类： 深度学习(DeepLearning)
- 发表评论: DEEP LEARNING之二十四：计算机视觉与卷积神经网络
DEEP LEARNING之二十三：迁移学习，多目标学习以及端到端学习
人常说脑子越用越活，这是因为大脑积累了很多的底层经验。比如你学会了C++，你学Java就会简单很多。… 继续阅读 DEEP LEARNING之二十三：迁移学习，多目标学习以及端到端学习
机器学习策略之四：如何开始建立一个机器学习工程
从零开始建立一个机器学习工程，你可能面临很多问题，假如你要做的是一个语音识别问题。开始前你可能会考虑… 继续阅读 机器学习策略之四：如何开始建立一个机器学习工程
- 发表于：
-
作者：
- 分类： 机器学习(Machine Learning)
- 发表评论: 机器学习策略之四：如何开始建立一个机器学习工程
机器学习策略之三：如何判断模型在训练集上的表现
上一篇文章我们讲了如何设置单一评价标准。而且我们知道在验证集和测试集上的误差尽量要接近在训练集上的表… 继续阅读 机器学习策略之三：如何判断模型在训练集上的表现
- 发表于：
-
作者：
- 分类： 机器学习(Machine Learning)
- 发表评论: 机器学习策略之三：如何判断模型在训练集上的表现
机器学习策略之二：如何设置评价指标以及划分训练集，开发集，以及测试集
评价指标 单一数字评价原则 为了简化我们的工作，我们在不同的阶段来评价一个模型，要定义一个单一的数字… 继续阅读 机器学习策略之二：如何设置评价指标以及划分训练集，开发集，以及测试集
机器学习策略之一：什么是机器学习策略以及正交化你的策略
假设你正在训练一个识别人脸的神经网络，目前的正确率达到了90%。接下来你想让正确率更高一些，你应该做… 继续阅读 机器学习策略之一：什么是机器学习策略以及正交化你的策略
- 发表于：
-
作者：
- 分类： 机器学习(Machine Learning)
- 发表评论: 机器学习策略之一：什么是机器学习策略以及正交化你的策略
DEEP LEARNING之二十二：用SoftMax函数来解决多分类问题
之前我们的识别手写数字的例子也是一个多分类的问题，我们最后的输出层用的是多个sigmoid func… 继续阅读 DEEP LEARNING之二十二：用SoftMax函数来解决多分类问题
DEEP LEARNING之二十一：用Batch Norm归一化网络激活函数
在之前的文章里我们探讨过为什么我们需要对feature做归一化，可以参见这篇文章 既然归一化可以加快… 继续阅读 DEEP LEARNING之二十一：用Batch Norm归一化网络激活函数