没有合适的资源?快使用搜索试试~ 我知道了~
首页深度学习实战指南:吴恩达课程V5.44中文笔记
黄海广博士整理的吴恩达深度学习笔记,版本为V5.44,共计746页,是基于吴恩达教授在Coursera上的深度学习课程(deeplearning.ai)进行的详细记录。该课程专为有一定编程基础(如Python)、熟悉机器学习概念的学生设计,旨在帮助他们掌握深度学习这一热门技术,并将其应用于实际项目中,如医疗、自动驾驶、自然语言处理等领域。 课程涵盖了深度学习的核心概念,如卷积神经网络(CNN)、递归神经网络(RNN)和长短期记忆(LSTM)等常用网络结构,以及Google开源的TensorFlow框架。吴恩达本人担任课程导师,展示了课程的专业性和权威性。课程设计注重实践,通过一系列项目让学生亲手构建和应用深度学习模型,解决实际问题。 值得注意的是,由于Coursera提供的字幕不完整,黄海广博士出于帮助学习者克服学习障碍的初衷,与曹骁威同学共同组织了一支爱好者团队,负责翻译和整理课程字幕,以提供更完整的中英文学习资源。这显示了黄博士对教育的热情和对社区的支持。 整个课程预计需要3-4个月的时间来完成,结课后,学生将获得Coursera颁发的DeepLearning Specialization结业证书,这对于想要在人工智能领域发展职业生涯的学生来说是一个重要的里程碑。吴恩达强调,课程的目标是让学生不仅理解深度学习的基本原理,还能掌握如何在实际工作中运用这些技术。 黄博士的笔记对于正在或计划学习深度学习的读者来说,是一份宝贵的参考资料,它结合了理论讲解和实战指导,使得复杂的技术更具可操作性和实用性。这份资源对于那些希望通过在线课程提升深度学习技能的人来说,无疑是一大助力。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/10673736/bg10.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-
第一周:深度学习引言(Introduction to Deep Learning)
5
你现在不用担心不理解
ReLU
函数,你将会在这门课的后面再次看到它。
如果这是一个单神经元网络,不管规模大小,它正是通过把这些单个神经元叠加在一起
来形成。如果你把这些神经元想象成单独的乐高积木,你就通过搭积木来完成一个更大的神
经网络。
让我们来看一个例子,我们不仅仅用房屋的面积来预测它的价格,现在你有了一些有关
房屋的其它特征,比如卧室的数量,或许有一个很重要的因素,一家人的数量也会影响房屋
价格,这个房屋能住下一家人或者是四五个人的家庭吗?而这确实是基于房屋大小,以及真
正决定一栋房子是否能适合你们家庭人数的卧室数。
换个话题,你可能知道邮政编码或许能作为一个特征,告诉你步行化程度。比如这附近
是不是高度步行化,你是否能步行去杂货店或者是学校,以及你是否需要驾驶汽车。有些人
喜欢居住在以步行为主的区域,另外根据邮政编码还和富裕程度相关(在美国是这样的)。
但在其它国家也可能体现出附近学校的水平有多好。
在图上每一个画的小圆圈都可以是
ReLU
的一部分,也就是指修正线性单元,或者其它
稍微非线性的函数。基于房屋面积和卧室数量,可以估算家庭人口,基于邮编,可以估测步
行化程度或者学校的质量。最后你可能会这样想,这些决定人们乐意花费多少钱。
对于一个房子来说,这些都是与它息息相关的事情。在这个情景里,家庭人口、步行化
![](https://csdnimg.cn/release/download_crawler_static/10673736/bg11.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-
第一周:深度学习引言(Introduction to Deep Learning)
6
程度以及学校的质量都能帮助你预测房屋的价格。以此为例,
是所有的这四个输入,
是
你尝试预测的价格,把这些单个的神经元叠加在一起,我们就有了一个稍微大一点的神经网
络。这显示了神经网络的神奇之处,虽然我已经描述了一个神经网络,它可以需要你得到房
屋面积、步行化程度和学校的质量,或者其它影响价格的因素。
神经网络的一部分神奇之处在于,当你实现它之后,你要做的只是输入
,就能得到输出
。
因为它可以自己计算你训练集中样本的数目以及所有的中间过程。所以,你实际上要做的就
是:这里有四个输入的神经网络,这输入的特征可能是房屋的大小、卧室的数量、邮政编码
和区域的富裕程度。给出这些输入的特征之后,神经网络的工作就是预测对应的价格。同时
也注意到这些被叫做隐藏单元圆圈,在一个神经网络中,它们每个都从输入的四个特征获得
自身输入,比如说,第一个结点代表家庭人口,而家庭人口仅仅取决于
和
特征,换句话
说,在神经网络中,你决定在这个结点中想要得到什么,然后用所有的四个输入来计算想要
得到的。因此,我们说输入层和中间层被紧密的连接起来了。
值得注意的是神经网络给予了足够多的关于
和
的数据,给予了足够的训练样本有
关
和
。神经网络非常擅长计算从
到
的精准映射函数。
这就是一个基础的神经网络。你可能发现你自己的神经网络在监督学习的环境下是如此
的有效和强大,也就是说你只要尝试输入一个
,即可把它映射成
,就好像我们在刚才房
价预测的例子中看到的效果。
在下一个视频中,让我们复习一下更多监督学习的例子,有些例子会让你觉得你的网络
会十分有用,并且你实际应用起来也是如此。
![](https://csdnimg.cn/release/download_crawler_static/10673736/bg12.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-
第一周:深度学习引言(Introduction to Deep Learning)
7
1.3 神 经 网络 的 监督 学习 (Supervised Learning with Neural
Networks)
关于神经网络也有很多的种类,考虑到它们的使用效果,有些使用起来恰到好处,但事
实表明,到目前几乎所有由神经网络创造的经济价值,本质上都离不开一种叫做监督学习的
机器学习类别,让我们举例看看。
在监督学习中你有一些输入
,你想学习到一个函数来映射到一些输出
,比如我们之
前提到的房价预测的例子,你只要输入有关房屋的一些特征,试着去输出或者估计价格
。
我们举一些其它的例子,来说明神经网络已经被高效应用到其它地方。
如今应用深度学习获利最多的一个领域,就是在线广告。这也许不是最鼓舞人心的,但
真的很赚钱。具体就是通过在网站上输入一个广告的相关信息,因为也输入了用户的信息,
于是网站就会考虑是否向你展示广告。
神经网络已经非常擅长预测你是否会点开这个广告,通过向用户展示最有可能点开的广
告,这就是神经网络在很多家公司难以置信地提高获利的一种应用。因为有了这种向你展示
你最有可能点击的广告的能力,而这一点击的行为的改变会直接影响到一些大型的在线广告
公司的收入。
计算机视觉在过去的几年里也取得了长足的进步,这也多亏了深度学习。你可以输入一
个图像,然后想输出一个索引,范围从 1 到 1000 来试着告诉你这张照片,它可能是,比方
说,1000 个不同的图像中的任何一个,所以你可能会选择用它来给照片打标签。
深度学习最近在语音识别方面的进步也是非常令人兴奋的,你现在可以将音频片段输入
![](https://csdnimg.cn/release/download_crawler_static/10673736/bg13.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-
第一周:深度学习引言(Introduction to Deep Learning)
8
神经网络,然后让它输出文本记录。得益于深度学习,机器翻译也有很大的发展。你可以利
用神经网络输入英语句子,接着输出一个中文句子。
在自动驾驶技术中,你可以输入一幅图像,就好像一个信息雷达展示汽车前方有什么,
据此,你可以训练一个神经网络,来告诉汽车在马路上面具体的位置,这就是神经网络在自
动驾驶系统中的一个关键成分。
那么深度学习系统已经可以创造如此多的价值,通过智能的选择,哪些作为
哪些作为
,来针对于你当前的问题,然后拟合监督学习部分,往往是一个更大的系统,比如自动驾
驶。这表明神经网络类型的轻微不同,也可以产生不同的应用,比如说,应用到我们在上一
个视频提到的房地产领域,我们不就使用了一个普遍标准神经网络架构吗?
也许对于房地产和在线广告来说可能是相对的标准一些的神经网络,正如我们之前见到
的。对于图像应用,我们经常在神经网络上使用卷积(
Convolutional Neural Network
),通
常缩写为
CNN
。对于序列数据,例如音频,有一个时间组件,随着时间的推移,音频被播
放出来,所以音频是最自然的表现。作为一维时间序列(两种英文说法
one-dimensional time
series / temporal sequence
)
.
对于序列数据,经常使用
RNN
,一种递归神经网络(
Recurrent
Neural Network
),语言,英语和汉语字母表或单词都是逐个出现的,所以语言也是最自然
的序列数据,因此更复杂的
RNNs
版本经常用于这些应用。
对于更复杂的应用比如自动驾驶,你有一张图片,可能会显示更多的
CNN
卷积神经网
络结构,其中的雷达信息是完全不同的,你可能会有一个更定制的,或者一些更复杂的混合
的神经网络结构。所以为了更具体地说明什么是标准的
CNN
和
RNN
结构,在文献中你可能
见过左图这样的图片,这是一个标准的神经网络。而右图是一个卷积神经网络的例子。
我们会在后面的课程了解这幅图的原理和实现,卷积网络
(CNN)
通常用于图像数据。
你可能也会看到这样的图片,而且你将在以后的课程中学习如何实现它。
![](https://csdnimg.cn/release/download_crawler_static/10673736/bg14.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-
第一周:深度学习引言(Introduction to Deep Learning)
9
递归神经网络
(RNN)
非常适合这种一维序列,数据可能是一个时间组成部分。
你可能也听说过机器学习对于结构化数据和非结构化数据的应用,结构化数据意味着数
据的基本数据库。例如在房价预测中,你可能有一个数据库,有专门的几列数据告诉你卧室
的大小和数量,这就是结构化数据。或预测用户是否会点击广告,你可能会得到关于用户的
信息,比如年龄以及关于广告的一些信息,然后对你的预测分类标注,这就是结构化数据,
意思是每个特征,比如说房屋大小卧室数量,或者是一个用户的年龄,都有一个很好的定义。
相反非结构化数据是指比如音频,原始音频或者你想要识别的图像或文本中的内容。这
里的特征可能是图像中的像素值或文本中的单个单词。
从历史经验上看,处理非结构化数据是很难的,与结构化数据比较,让计算机理解非结
构化数据很难,而人类进化得非常善于理解音频信号和图像,文本是一个更近代的发明,但
是人们真的很擅长解读非结构化数据。
神经网络的兴起就是这样最令人兴奋的事情之一,多亏了深度学习和神经网络,计算机
剩余745页未读,继续阅读
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://profile-avatar.csdnimg.cn/ec55d17701c94b678250746707bbb33a_jx8791608.jpg!1)
jx8791608
- 粉丝: 0
- 资源: 15
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 计算机系统基石:深度解析与优化秘籍
- 《ThinkingInJava》中文版:经典Java学习宝典
- 《世界是平的》新版:全球化进程加速与教育挑战
- 编程珠玑:程序员的基础与深度探索
- C# 语言规范4.0详解
- Java编程:兔子繁殖与素数、水仙花数问题探索
- Oracle内存结构详解:SGA与PGA
- Java编程中的经典算法解析
- Logback日志管理系统:从入门到精通
- Maven一站式构建与配置教程:从入门到私服搭建
- Linux TCP/IP网络编程基础与实践
- 《CLR via C# 第3版》- 中文译稿,深度探索.NET框架
- Oracle10gR2 RAC在RedHat上的安装指南
- 微信技术总监解密:从架构设计到敏捷开发
- 民用航空专业英汉对照词典:全面指导航空教学与工作
- Rexroth HVE & HVR 2nd Gen. Power Supply Units应用手册:DIAX04选择与安装指南
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)