以下是为您整理出来关于【深度学习算法】合集内容，如果觉得还不错，请帮忙转发推荐。
BP算法是关于误差的反向传播算法，就是从输出层开始，将结果与预期结果相比较，求出误差，然后按照梯度最大下降方向，调整神经元的联接权值，然后依次逐层调整各层之间的连接权值，对于批量学习方式而言，不断重复上述过程，直到误差达到足够小时为止。对于输出层而言，我们可以直接使用在上一篇博文中关于感知器模型的算法，BP算法的难点在于，如何处理隐藏层，因为隐藏层没有正确的输出信息用来计算误差。下面我们将从输出层开始...
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工...
【3月13日日晚7：40-8:10】已失败 只能想个大概： 1. 自我介绍一下 （没准备好） 2. 项目一： （1）介绍一下简历上目标跟踪算法的过程 （没说清，应该突出网络的结构，目标跟踪的过程，以及我做的工作） （2）我的改进方法 （理论上再说清楚点） （3）所用的超像素分割 怎么分割？公式是什么？现成的还是我提出的？ 我说忘记了，要看看论文。。 （4）改进的性能如何 在三个测试集上都取得了好的成绩，比之前的算法好了7个百分点 ...
● BatchNormalization的作用 参考回答： 神经网络在训练的时候随着网络层数的加深,激活函数的输入值的整体分布逐渐往激活函数的取值区间上下限靠近,从而导致在反向传播时低层的神经网络的梯度消失。而BatchNormalization的作用是通过规范化的手段,将越来越偏的分布拉回到标准化的分布,使得激活函数的输入值落在激活函数对输入比较敏感的区域,从而使梯度变大,加快学习收敛速度,避免梯度消失的问题。 ● 梯度消失 参考回答： 在神经...
● 深度学习了解多少，有看过底层代码吗？caffe,tf? ● 除了GMM-HMM，你了解深度学习在语音识别中的应用吗？ 参考回答： 讲了我用的过DNN-HMM，以及与GMM-HMM的联系与区别；然后RNN+CTC，这里我只是了解，大概讲了一下CTC损失的原理；然后提了一下CNN+LSTM。 ● 用过哪些移动端深度学习框架？ 参考回答： 开源的有：小米的MACE，骁龙的SNPE，腾讯的FeatherCNN和ncnn，百度的mobile-deep-learning(MDL)；caffe、tensorflow lite都...
● 神经网络为啥用交叉熵。 参考回答： 通过神经网络解决多分类问题时，最常用的一种方式就是在最后一层设置n个输出节点，无论在浅层神经网络还是在CNN中都是如此，比如，在AlexNet中最后的输出层有1000个节点，而即便是ResNet取消了全连接层，也会在最后有一个1000个节点的输出层。 一般情况下，最后一个输出层的节点个数与分类任务的目标数相等。假设最后的节点数为N，那么对于每一个样例，神经网络可以得到一个N维的数组作为输出...
欢迎关注微信公众号“智能算法” – 原文链接（阅读体验更佳）：深度学习算法(第6期)----深度学习之学习率的命运 上一期，我们一起学习了深度学习中的优化器的进化， 深度学习算法(第5期)----深度学习中的优化器选择 今天我们一起看下学习率有着一个什么样的命运，我们多多交流，共同进步。本期主要内容如下： 学习率的影响 学习率的优化策略 学习率优化调节的实现 命运的安排 一. 学习率的影响 在深度学习中，寻找一个合适的学...
欢迎关注微信公众号“智能算法” -- 原文链接（阅读体验更佳）： 深度学习三人行(第3期)---- TensorFlow从DNN入手 我们已经学习了TensorFlow的一些基础知识，该期我们将从DNN入手开始学习TensorFlow方面的相关知识。学习的路上，我们多多交流，共同进步。本期主要内容如下： 从生物学到人工神经网络 训练多层感知机 训练DNN 文末附本期代码关键字，回复关键字即可下载。 一. 从生物学到人工神经网络 鸟类启发我们飞翔，牛蒡植物启...
欢迎关注微信公众号“智能算法” -- 原文链接（阅读体验更佳）： 深度学习算法（第4期）----TF训练DNN之进阶 在第十章内容中，我们向大家简单的介绍了ANN(人工神经网络），并训练了我们第一个DNN(深度神经网络)，但是一个非常浅的DNN，只有两个隐藏层。如果你需要解决一个非常复杂的问题，比如在高分辨率的图像中分辨不上百种不同类型的实体对象，这时候你就需要训练一个更深的DNN来完成，可能是10层，并且每层会包含上百个神经元，...
https://baijiahao.baidu.com/s?id=1580024390078548003&wfr=spider&for=pc ?????https://sherlockliao.github.io/2017/06/20/gan_math/ ?????http://blog.csdn.net/u011534057/article/details/52840788GAN背后的思想其实非常朴素和直观，就是生成器和判别器两个极大极小的博弈。下面我们进一步了解该理论背后的证明与推导。 一、基本概念 1.1 符号定义??data→真实数据（groundtruth）data→真实数据（groundtruth）GG 来自真实...