深度学习的数学-卷积神经网络的误差反向传播 本篇博客主要记录反向传播法在卷积神经网络中的应用,如何像全连接的隐藏层那样,通过输出层的神经单元误差反向推算出所有层的神经单元误差,最终得到梯度。 2020年3月12日 at 下午6:38 Jie read more
深度学习的数学-卷积神经网络的结构和变量关系 主要介绍了过滤器、卷积层和池化层中间的关系和工作原理,以及在卷积神经网络中各个层的变量参数定义,以及各个层之间的数学关系,最后得到了代价函数。 2020年3月11日 at 上午11:20 Jie read more
深度学习的数学-神经单元误差和反向传播 本篇博客主要讲神经单元误差的定义及其含义,以及比较重要的误差反向传播法,也就是大名鼎鼎的BP算法 2020年3月9日 at 上午11:49 Jie read more
深度学习的数学-导数和偏导数 本篇主要介绍了导数和偏导数的特点和求解,以及导数与函数增减性和极值的联系,像延展出来的多变量函数的极值求解问题以及拉格朗日乘数法,在日后神经网络的计算中均会得到体现。 2020年2月27日 at 下午5:01 Jie read more
深度学习的数学-神经网络、输入层、隐藏层、输出层 前文中了解到,神经网络由多个神经单元组成,而本篇博客将会了解到深度学习由多个神经网络组成,并且分为 输入层、隐藏层和输出层,隐藏层涉及到的知识点最多,是本文的重点 2020年2月24日 at 上午11:28 Jie read more