cs231n

其美杰布-富贵-李5 天前
优化·cv·cs231n·正则化
CS231N-Lecture 2: Regularization and Optimization本节课深入探讨了深度学习和计算机视觉中的两个核心概念:正则化(Regularization)和优化(Optimization)。课程首先回顾了图像分类任务和线性分类器的基本原理,然后详细讲解了如何通过损失函数评估模型性能,如何使用正则化防止过拟合,以及如何通过各种优化算法(特别是梯度下降及其变体)来训练模型。
松下J272 年前
人工智能·深度学习·神经网络·cs231n·权重初始化·网络训练·训练网络
深度学习 --- stanford cs231学习笔记五(训练神经网络的几个重要组成部分之三,权重矩阵的初始化)深度学习所学习的重点就是要根据损失函数训练权重矩阵中的系数。即便如此,权重函数也不能为空,总是需要初始化为某个值。
女王の专属领地2 年前
人工智能·深度学习·神经网络·反向传播·cs231n
(2023版)斯坦福CS231n学习笔记:DL与CV教程 (4) | 神经网络与反向传播前言⚠️ 本节重点内容:这里不做多解释,深度学习的基础,只记录几个重点。大脑的基本计算单位是神经元(neuron) 。人类的神经系统中大约有 860 亿个神经元,它们被大约 1014 - 1015 个突触(synapses)连接起来。上方是一个生物学的神经元,下方是一个简化的常用数学模型。每个神经元都从它的树突(dendrites)获得输入信号,然后沿着它唯一的轴突(axon) 产生输出信号。轴突在末端会逐渐分枝,通过突触和其他神经元的树突相连。 在神经元的计算模型中,沿着轴突传播的信号(比如 公式 )将
我是有底线的