2017-08-14

这节课的主要内容是反向传播的介绍，非常的详细，还有神经网络的部分介绍，比较简短。

首先是对求导，梯度的求解。反向传播的核心就是将函数进行分解，分段求导，前向计算损失，反向计算各个单元的梯度，即代表

各个单元对于最后结果的影响力。因为神经网络一般过于庞大，所以采取分段求导会比较实际，所以引入了 computational graph.

课程下来，对于整个求解梯度的过程有了更好的理解。总结：

然后就是介绍了神将网络的一点知识。

最新文章

1. CentOS利用inotify+rsync实现文件同步
2. Swift
3. 关于absolute 和 relative 定位的定义
4. 怎么解析json串在.net中
5. eclipse出现的JRE运行环境错误
6. LeetCode:Search Insert Position,Search for a Range (二分查找,lower_bound,upper_bound)
7. nrf51822裸机教程-PPI
8. CSS Sprites的详细使用步骤
9. H5非主体结构元素
10. The Boost C++ Libraries
11. Shader Forge 刀光溶解
12. 统一代码风格工具——editorConfig
13. FPGA FIFO深度计算
14. 常用的Maven依赖
15. NIO模式例子
16. JVM基础系列第15讲：JDK性能监控命令
17. HTML 理解标签 - 帧
18. 2019年Web前端入门的自学路线
19. RHEL7 下双网卡绑定做主备（冗余）
20. 【转】.Net Core中的Api版本控制

热门文章

1. h5做移动应用开发部分技巧
2. IOS开发UI篇之──自定义加载等待框（MBProgressHUD）
3. 【BZOJ3502/2288】PA2012 Tanie linie/【POJ Challenge】生日礼物 堆+链表（模拟费用流）
4. 贝叶斯网（2）Netica：从数据中学习CPT
5. 类 String、StringBuffer、StringBuilder
6. 理解CSS3属性transition
7. JavaWeb 之事务
8. Vue父组件调用子组件的方法
9. 避免每次都用sudo使用docker
10. Android系统移植与调试之------->如何修改Android设备存储盘符名称与Android设备的型号