斯坦福CS231n深度学习课程笔记翻译(一)——Python Numpy教程

TinyMind 2018-05-29 18:39
此教程非常适合想要入门与系统学习深度学习的小伙伴

斯坦福CS231n深度学习课程笔记翻译(三) :线性分类

TinyMind 2018-06-04 15:12
实现一种更强大的方法来解决图像分类问题,该方法可以自然地延伸到神经网络和卷积神经网络上。

斯坦福CS231n深度学习课程笔记翻译(二) :图像分类(下)

TinyMind 2018-05-30 17:39
验证集、交叉验证集和超参数调优\Nearest Neighbor的优劣等

斯坦福CS231n深度学习课程笔记翻译(二) :图像分类(上)

TinyMind 2018-05-30 17:14
图像分类、数据驱动方法和流程、Nearest Neighbor分类器等

斯坦福CS231n深度学习课程笔记翻译(九) :卷积神经网络

TinyMind 2018-07-16 10:35
卷积神经网络的结构基于一个假设,即输入数据是图像,基于该假设,我们就向结构中添加了一些特有的性质。这些特有属性使得前向传播函数实现起来更高效,并且大幅度降低了网络中参数的数量。

斯坦福CS231n深度学习课程笔记翻译(七) :神经网络2

TinyMind 2018-06-15 11:04
该笔记介绍了数据的预处理,正则化和损失函数

斯坦福CS231n深度学习课程笔记翻译(六) :神经网络

TinyMind 2018-06-14 18:11
该笔记介绍了神经网络的建模与结构

斯坦福CS231n深度学习课程笔记翻译(五) :反向传播

TinyMind 2018-06-04 15:53
帮助大家对反向传播形成直观而专业的理解。反向传播是利用链式法则递归计算表达式的梯度的方法。理解反向传播过程及其精妙之处,对于理解、实现、设计和调试神经网络非常关键。

斯坦福CS231n深度学习课程笔记翻译(八) :神经网络3

TinyMind 2018-07-16 10:35
讲解神经网络的动态部分,即神经网络学习参数和搜索最优超参数的过程。

斯坦福CS231n深度学习课程笔记翻译(四) :最优化

TinyMind 2018-06-04 15:34
介绍了图像分类任务的第三个关键部分:最优化。
关注微信公众号