deeplearning.ai 神经网络和深度学习 week1 深度学习概论
2024-08-29 22:47:44
1. 预测房价、广告点击率:典型的神经网络,standard NN。
图像:卷积神经网络,CNN。
一维序列数据,如音频,翻译:循环神经网络,RNN。
无人驾驶,涉及到图像、雷达等更多的数据类型:混合的神经网络。
2. 结构化数据:数据的数据库,每一种特征都有明确的定义,如预测房价、广告点击率。目前主要的营收来源还是处理结构化数据。
非结构化数据:如音频、图像、文本,特征不明显。人类和你擅长处理非结构化数据。
3. 为什么近期神经网络一下子变这么厉害?一个神经网络牛逼的条件:1)神经网络的规模足够大;2)足够多的数据,这个数据往往要求是带标签的。
对于少量的训练数据,各种算法孰优孰劣不太明显,更依赖人手工设计的特征。
之前神经网络的进步主要依靠1)数据量的增加;2)硬件计算能力的提高。这些年算法方面也有了极大的创新,很多算法的创新点都是加速计算。比如,算法上很大的一个进步是从sigmoid激活函数转换到ReLU函数。sigmoid函数的问题是在左右两个方向都会饱和,梯度很小,导致学习变得非常慢。仅仅把sigmoid换成ReLU,就可以使得梯度下降法运行的快非常多。加快运算的另一个好处是,可以帮助我们更快的实现想法。神经网络的搭建很多时候是很依赖直觉的,所以快速实现想法实验验证,非常重要。
最新文章
- SQLiteOpenHelper的使用
- python处理字符串时出现的错误'ascii' codec can't decode byte 0xe9 in position 0: ordinal not in range(128)"; 解决方法
- vs2013创建mvc项目体系找不到指定文件
- Index &; Statistics ->;>; Rebuild Index会不会覆盖原先Index的WITH选项设置
- PreferenceActivity使用方法
- ARC、MRC混编
- 异常 ORA-00257: archiver error. Connect internal only, until freed
- Mybatis(一)实现单表的增删改查
- hzoj 2301(莫比乌斯反演)
- Vagrant 构建 Linux 开发环境
- MySQL数据库性能优化思路与解决方法(二转)
- 三十、Linux 进程与信号——信号的概念及 signal 函数
- 解决微信video全屏的问题,不在本页面播放
- quartz定时任务及时间设置
- Qt_技巧_将Qt动态链接生成的exe与dll打包方法
- Unused Method(不再使用的方法)——Dead Code(死亡代码)
- ISAPI和CGI限制中没有ASP.NET v4.0 ; vS2013检测到在集成的托管管道模式下不适用的 ASP.NET 设置。
- Problem B. Full Binary Tree
- nginx 总结
- mnist手写数字识别(SVM)