吴恩达深度学习笔记 - 专题

投稿

收录了36篇文章 · 20人关注

吴恩达深度学习笔记(35)-加快归一化的网络训练方法
归一化输入（Normalizing inputs）训练神经网络，其中一个加速训练的方法就是归一化输入。假设一个训练集有两个特征，输入特征为2维...

极客Array 0 5
吴恩达深度学习笔记(34)-你不知道的其他正则化方法
除了L2正则化和随机失活（dropout）正则化，还有几种方法可以减少神经网络中的过拟合: 一.数据扩增假设你正在拟合猫咪图片分类器，如果你想...

0.2 极客Array 0 5

吴恩达深度学习笔记(33)-带你进一步了解Dropout
理解 dropout（Understanding Dropout） Dropout可以随机删除网络中的神经单元，他为什么可以通过正则化发挥如此大...

0.1 极客Array 0 3
吴恩达深度学习笔记(32)-Dropout正则化Dropout Regularization
dropout 正则化（Dropout Regularization）除了L2正则化，还有一个非常实用的正则化方法——“Dropout（随机失...

0.1 极客Array 0 4
吴恩达深度学习笔记(31)-为什么正则化可以防止过拟合
为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）为什么正则化有利于预防过拟合...

0.2 极客Array 0 5
吴恩达深度学习笔记(30)-正则化的解释
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非...

0.5 极客Array 0 9 1
吴恩达深度学习笔记(29)-神经网络训练的方差和偏差分析
这一节我们学习在神经网络学习训练时出现的结果进行分析，偏差和方差的表现和优化，仔细看好咯~ 偏差，方差（Bias /Variance）几乎所有...

0.1 极客Array 0 4

吴恩达深度学习笔记(28)-网络训练验证测试数据集的组成介绍
从今天开始我们进入新的一个大方向了，改善深层神经网络：超参数调试、正则化以及优化，首先进入深度学习的一个新层面，先认识下在深度学习中的数据集的分...

0.1 极客Array 0 4
吴恩达深度学习笔记(27)-深度学习与大脑的区别
深度学习和大脑有什么关联性吗？回答是：关联不大。那么人们为什么会说深度学习和大脑相关呢？当你在实现一个神经网络的时候，那些公式是你在做的东...

0.1 极客Array 0 4
吴恩达深度学习笔记(26)-神经网络中的参数和超参数
参数VS超参数（Parameters vs Hyperparameters）想要你的深度神经网络起很好的效果，你还需要规划好你的参数以及超参数...

0.3 极客Array 0 4