neural-networks-and-deep-learning
介绍
一、使用神经网络识别手写数字
感知机
Sigmoid神经元
神经网络的架构
一个简单的手写体数字分类网络
梯度下降学习算法
实现我们的神经网络来识别数字
关于深度学习
二、反向传播的工作原理
热身：一种基于矩阵快速计算神经网络输出的算法
关于成本函数所需的两个假设
Hadamard乘积
反向传播背后的四个基本等式
四个基本等式的证明(选读)
反向传播算法
反向传播的代码实现
是什么让反向传播算法如些之快？
反向传播：概览
三、优化神经网络学习方式
交叉熵成本函数
引入交叉熵成本函数
Softmax
过拟合和正规化
正规化
为什么正则化可以减少过拟合
其他的正则化技术
权重初始化
重新实现手写识别：代码
怎样选择神经网络的超参数
其他技术
四、神经网络可以计算任意函数的视觉证明
两个说明
一个输入和一个输出的通用性
多个输入变量
扩展sigmoid神经元
修复步进函数
结论
五、为什么深度神经网络很难训练？
梯度消失问题
什么导致了梯度消失问题？深度神经网络里不稳定的梯度
在更复杂网络中不稳定的梯度
深度学习的其他阻碍
六、深度学习
介绍卷积网络
卷积神经网络实践
卷积神经网络的代码实现
图像识别的最新进展
深度神经网络的其他形式
关于神经网络的未来
Powered by
GitBook
梯度消失问题
梯度消失问题
results matching "
"
No results matching "
"