跳转到内容

人工智能社区

搜索:

床长

5RSS订阅

床长 的帖子

– 前言

大家好!欢迎来到我的网站! 人工智能被认为是一种拯救世界、终结世界的技术。毋庸置疑,人工智能时代就要… 继续阅读 – 前言

  • 发表于: 2018年11月19日 2020年10月30日
  • 作者: 床长

公告

请从前言看起! 本篇文章会员可见。只有认认真真学习的同学才能入会! 入会的入口链接在前几篇文章中,通… 继续阅读 公告

  • 发表于: 2018年11月19日 2019年8月4日
  • 作者: 床长

1.2.2 神经网络是如何进行预测的

上一篇文章中我们已经知道了如何将数据输入到神经网络中。那么神经网络是如何根据这些数据进行预测的呢?我… 继续阅读 1.2.2 神经网络是如何进行预测的

  • 发表于: 2018年11月18日 2020年12月20日
  • 作者: 床长

1.2.1 如何将数据输入到神经网络中

通过对前面文章的学习,我们已经知道神经网络可以实现真正的人工智能。本小节我会进行详细地讲解,让大家彻… 继续阅读 1.2.1 如何将数据输入到神经网络中

  • 发表于: 2018年11月18日 2020年11月1日
  • 作者: 床长

1.1.1 什么是神经网络

什么是人工智能?通俗来讲,就是让机器能像人一样思考。这个无需解释太多,因为通过各种科幻电影我们已经对… 继续阅读 1.1.1 什么是神经网络

  • 发表于: 2018年11月18日 2020年8月20日
  • 作者: 床长

目录

  • 前言
  • 1 人工智能
  • 1.1 科普
  • 1.1.1 什么是神经网络
  • 1.2 基础知识
  • 1.2.1 如何将数据输入到神经网络中
  • 1.2.2 神经网络是如何进行预测的
  • 1.2.3 预测得准确吗
  • 1.2.4 网络是如何进行学习的
  • 1.2.5 计算图
  • 1.2.6 如何计算逻辑回归的偏导数
  • 1.2.7 向量化
  • 1.2.8 如何开始使用python
  • 1.2.9 如何向量化人工智能算法
  • 1.2.10 [实战编程]教你编写第一个人工智能程序
  • 1.3 初级神经网络
  • 1.3.1 浅层神经网络
  • 1.3.2 如何计算浅层神经网络的前向传播
  • 1.3.3 如何计算浅层神经网络的反向传播
  • 1.3.4 为什么需要激活函数
  • 1.3.5 常见的激活函数
  • 1.3.6 激活函数的偏导数
  • 1.3.7 随机初始化参数
  • 1.3.8 [实战编程]教你编写浅层神经网络
  • 1.4 深度神经网络
  • 1.4.1 为什么需要深度神经网络
  • 1.4.2 如何计算深度神经网络
  • 1.4.3 核对矩阵的维度
  • 1.4.4 参数和超参数
  • 1.4.5 [实战编程] 构建深度神经网络
  • 2 实战优化
  • 2.1 实战基础
  • 2.1.1 如何配置数据集
  • 2.1.2 欠拟合和过拟合
  • 2.1.3 如何解决欠拟合与过拟合
  • 2.1.4 L2正则化
  • 2.1.5 dropout
  • 2.1.6 数据增强
  • 2.1.7 将输入特征进行归一化处理
  • 2.1.8 梯度消失和梯度爆炸
  • 2.1.9 梯度检验
  • 2.1.10 [实战编程] 构建实战神经网络
  • 2.2 优化算法
  • 2.2.1 Mini-batch 梯度下降
  • 2.2.2 如何为mini-batch选择合理的大小
  • 2.2.3 指数加权平均
  • 2.2.4 理解指数加权平均
  • 2.2.5 指数加权平均的偏差修正
  • 2.2.6 momentum梯度下降
  • 2.2.7 RMSprop
  • 2.2.8 Adam优化算法
  • 2.2.9 学习率衰减
  • 2.2.10 局部最优问题
  • 2.2.11 [实战编程] 优化神经网络
  • 2.3 调试神经网络
  • 2.3.1 调试处理
  • 2.3.2 为调参选择采样标尺
  • 2.3.3 调参技巧的通用性和超参数的过时性
  • 2.3.4 调参模式
  • 2.3.5 归一化隐藏层
  • 2.3.6 归一化隐藏层的好处
  • 2.3.7 使用模型时的隐藏层归一化
  • 2.3.8 Softmax 回归
  • 2.3.9 深入理解softmax
  • 2.3.10 如何选择深度学习框架
  • 2.3.11 手把手教你使用tensorflow
  • 2.3.12 [实战编程] 使用框架构建神经网络
  • 3 深度学习项目实战
  • 3.1 项目实战一
  • 3.1.1 决策很重要
  • 3.1.2 正交化
  • 3.1.3 如何判断哪个网络更好?——单一数值指标
  • 3.1.4 如何判断哪个网络更好?——优化指标和满足指标
  • 3.1.5 验证集与测试集的数据来源要一致
  • 3.1.6 如何决定数据集的大小?
  • 3.1.7 判定标准是可以变的
  • 3.1.8 AI能力与人类能力的关系
  • 3.1.9 利用贝叶斯误差来判断拟合度
  • 3.1.10 人类误差是多少呢?
  • 3.1.11 AI超越人类
  • 3.1.12 提升AI系统的一般流程
  • 3.1.13 [实战编程] 大项目神经网络
  • 3.2 实战项目二
  • 3.2.1 手工分析错误
  • 3.2.2 错误标签
  • 3.2.3 快速地构建一个简单的系统
  • 3.2.4 训练集与验证集的来源不一致
  • 3.2.5 异源时的拟合度分析
  • 3.2.6 如何解决异源问题
  • 3.2.7 迁移学习
  • 3.2.8 多任务学习
  • 3.2.9 一步到位——端到端学习
  • 3.2.10 何时用端到端
  • 3.2.11 [实战编程] 优化大项目
  • 4 智能视觉-人脸识别
  • 4.1 卷积神经网络
  • 4.1.1 智能视觉
  • 4.1.2 卷积运算
  • 4.1.3 边缘检测
  • 4.1.4 深入理解边缘检测
  • 4.1.5 padding
  • 4.1.6 卷积步长
  • 4.1.7 3D卷积
  • 4.1.8 多过滤器
  • 4.1.9 卷积层
  • 4.1.10 卷积神经网络
  • 4.1.11 池化层
  • 4.1.12 [实战编程] 构建简单的人脸识别程序
  • 4.2 深度卷积网络
  • 4.2.1 学习一些牛逼的例子
  • 4.2.2 LeNet-5
  • 4.2.3 AlexNet
  • 4.2.4 VGG
  • 4.2.5 残差网络
  • 4.2.6 1×1卷积
  • 4.2.7 Inception网络
  • 4.2.8 学会利用开源项目
  • 4.2.9 迁移学习
  • 4.2.10 学会使用数据增强
  • 4.2.11 智能视觉领域的现状
  • 4.2.12 [实战编程] 优化人脸识别程序
  • 4.3 目标检测
  • 4.3.1 目标定位
  • 4.3.2 关键点探测
  • 4.3.3 滑动窗口探测法
  • 4.3.4 全连接层转卷积层
  • 4.3.5 卷积化滑动窗口
  • 4.3.6 YOLO探测法
  • 4.3.7 如何判断定位是否精准
  • 4.3.8 如何避免一个物体被重复探测到?
  • 4.3.9 非极大值抑制的实现细节
  • 4.3.10 两个物体的中心在同一个格子怎么办?
  • 4.3.11 [实战编程] 构建商用人脸识别程序
  • 4.4 人脸识别和风格迁移
  • 4.4.1 差异性验证
  • 4.4.2 如何实现差异性验证
  • 4.4.3 如何训练差异性验证网络
  • 4.4.4 差异性验证网络的训练技巧
  • 4.4.5 差异性验证网络的另一种训练方法
  • 4.4.6 神经网络每层到底都学会了什么?
  • 4.4.7 神经风格迁移网络
  • 4.4.8 内容损失函数
  • 4.4.9 实战编程-风格转换
  • 4.4.10 实战编程-人脸识别
  • 4.4.11 一维到三维推广
  • 4.4.12 [实战编程] 构建风格转换程序
  • 5 语音识别
  • 5.1 循环序列模型
  • 5.1.1 序列模型
  • 5.1.2 序列模型的数据集
  • 5.1.3 普通模型不适合处理序列数据
  • 5.1.4 循环神经网络RNN
  • 5.1.5 RNN的计算过程
  • 5.1.6 RNN的反向传播
  • 5.1.7 各种结构的RNN
  • 5.1.8 人工智能写作
  • 5.1.9 普通RNN的记性不好
  • 5.1.10 使用LSTM来增强RNN的记忆力
  • 5.1.11 使用GRU来增强RNN的记忆力
  • 5.1.12 双向循环神经网络BRNN
  • 5.1.13 [实战编程]构建简单的语音识别程序
  • 5.2 自然语言处理与词嵌入
  • 5.2.1 什么是词嵌入
  • 5.2.2 如何使用词嵌入技术
  • 5.2.3 词嵌入与类比推理
  • 5.2.4 如何得到词嵌入矩阵表
  • 5.2.5 word2vector模型
  • 5.2.6 负采样
  • 5.2.7 Glove模型
  • 5.2.8 情感分类
  • 5.2.9 AI的偏见
  • 5.2.10 词嵌入除偏
  • 5.2.11 [实战编程] 优化语音识别程序
  • 5.3 序列模型和注意力机制
  • 5.3.1 seq2seq简介
  • 5.3.2 最佳翻译
  • 5.3.3 Beam搜索
  • 5.3.4Beam搜索升级版
  • 5.3.5 问题是否出在Beam搜索上
  • 5.3.6 如何判断翻译得是否精准
  • 5.3.7 注意力模型
  • 5.3.8 注意力模型详述
  • 5.3.9 如何设置注意力权重?
  • 5.3.10 语音识别
  • 5.3.11 [实战编程] 构建商用语音识别
  • 6 自动驾驶
  • 7 生成对抗网络GANs
  • 8 强化学习
  • 9 无监督学习
  • 10 人工大脑

© 2021 人工智能社区 沪ICP备15025210号