📃
Nielsen-NNDL
  • Introduction
  • 第1章 使用神经网络识别手写数字
    • 感知机神经元
    • sigmoid神经元
    • 神经网络的架构
    • 用于识别手写数字的简单网络
    • 梯度下降学习法
      • 准备工作
      • 梯度下降法
      • 应用到神经网络
    • 实现数字分类的神经网络
      • 数据集
      • 初始化
      • 向后传递
      • 随机梯度下降
      • 总结
  • 第2章 反向传播算法的工作原理
    • 热身:一种矩阵方法快速计算神经网络的输出
    • 关于代价函数的两个假设
    • Hadamard积
    • 反向传播算法中的4个等式
      • 一个新的定义
      • 4个等式
      • 等式的意义
    • 4个等式的证明
    • 反向传播算法
    • 代码解读
    • 反向传播算法为什么这么快
  • 第3章 提升神经网络的学习方法
    • cross-entropy代价函数
      • 当前神经网络存在的问题
      • 引入cross-entropy代价函数
      • 使用cross-entropy分类手写数字
      • cross-entropy代价函数是怎么推出来的
      • cross-entropy的数学意义
      • softmaxt+loglikelihood
    • 过拟合和正则化
      • 过拟合
      • L2正则化
      • 在当前神经网络中使用L2正则化
      • 其它问题
      • L1正则化
      • dropout正则化
      • 人为扩充训练数据
    • weights初始化
    • 回到手势识别代码
    • 怎样选择超参数
      • broad策略
      • 学习率eta
      • 迭代次数epochs
      • 正则化参数lambda
      • minibatch样本数m
      • 自动化技术
    • 其它技术
      • Hessian技术
      • momentum技术
      • tanh神经元
      • RectifiedLinear神经元
  • 第5章 训练深度神经网络难以训练
    • 梯度消失问题
    • 梯度消失的原因
  • 第6章 深度学习
    • 卷积神经网络介绍
      • LocalReceptiveField
      • SharedWeights
      • pooling层
      • 组装到一起
    • 卷积神经网络的实践与改进
    • 其它深度神经网络的方法
  • 术语中英文对照
Powered by GitBook
On this page
  • 周期神经网络 Recurrent neural networks RNN
  • Long short-term memory units (LSTMs)
  • Deep belief nets, generative models, and Boltzmann machines

Was this helpful?

  1. 第6章 深度学习

其它深度神经网络的方法

周期神经网络 Recurrent neural networks RNN

在feedback神经网络中,网络是静态的。 在recurrent神经网络中,网络是动态的: 一个神经元的行为不肯由它的输入决定,还可以由它上一次的输出以及上一次的输入决定。

优势:分析会随时间改变的数据,例如演讲、NLP 在模式识别问题上,CNN不擅长,但RNN擅长。

Long short-term memory units (LSTMs)

早期RNN训练非常困难,因为梯度不稳定的问题在RNN中更加严重。 LSTM用于解决梯度不稳定问题。

Deep belief nets, generative models, and Boltzmann machines

根据结果反推出输入数据 可用于非监督学习

Previous卷积神经网络的实践与改进Next术语中英文对照

Last updated 5 years ago

Was this helpful?