**Mac深度学习环境配置**

看到自己下载好的应用程序，左上角“Applications on”应该指向的是“base (root)”，左边点击“Environments”就可以看到自己建立的虚拟环境和对应的包了。点击左下角的Create 即可创建一个新的虚拟环境。输入环境名称和python 的版本，点击create

深度学习神经网络

想要得到的。因此，我们说输入层和中间层被紧密的连接起来了。值得注意的是神经网络给予了足够多的关于z和y的数据，给予了足够的训练样本有关c和y。神经网络非常擅长计算从c到g的精准映射函数。    这就是一个基础的神经网络。你可能发现你自己的神经网络在监督学习的环境下是如此的有效和强

由线性回归来理解深度学习的理论基础（4）

层），如果我们添加更多隐藏层，则可以拓展处更复杂的功能，即我们接下来要介绍的多层感知器（深度学习）。我们回顾一下：1）感知器是生物神经元的简化模型。2）感知器是用于学习二元分类器的算法：将其输入映射到输出值的函数。3）在神经网络的背景下，感知器是使用Heaviside阶跃函数作为

Ubuntu深度学习环境配置

7版本或其他版本的，根据自己的需要下载合适的安装包。下载链接：https://www.anaconda.com/download/#linux点击下面的64-Bit (x86) Installer (522 MB)，下载64位的版本。下载完后的文件名是：Anaconda3-2020.02-Linux-x86_64

《深度学习笔记》的笔记（二）

神经网络的结构从普通的全连接神经网络，发展到卷积神经网络、循环神经网络、自编码器、生成式对抗网络和图神经网络等各种结构， 但BP算法一直是神经网络的一个经典和高效的寻优工具。附神经网络早期一些发展历程1943年，WarrenMcCulloch和WalterPitts于《神经元与行

《深度学习入门》笔记 - 01

png) 这是一个三维的张量，维度是3x4x2。 TensorFlow里的`Tensor`就是张量。 如果把维度对应到现实世界，那么我们所处的物质世界明显是一个三维世界。再加上不断流淌的时间，可以视为四维的。我能够理解到的最大维数就是四维了。在一些学习中，好像可以简单抽象的推到为五维、六维

《深度学习入门》笔记 - 05

接下来就是讲线性模型了。线性模型相对比较简单，但是他是学习比较复杂的深度学习模型的一个基础，而且线性模型本身也具有广泛的用途。 这里讲了线性模型中的线性回归模型和logistic模型。线性回归模型用于处理`回归问题`。logistic模型用于处理`分类问题`。 线性回归模型可以写作如下的形式： ![image.png](https://bbs-img

12本深度学习书籍推荐：有入门，有深度

Beginners本书不涉及太多深度学习的数学知识，而是使用图表来帮助理解深度学习的基本概念和算法。作者使用简单的例子来显示深度学习算法的工作原理。通过这些例子一步一步组合来逐渐介绍算法更复杂的部分。这本书适合的读者面很广，从计算机初学者，到数据科学专家，到希望使用简单的方式向学生解释深度学习的教师。本

深度学习之提前终止

当训练有足够的表示能力甚至会过拟合的大模型时，我们经常观察到，训练误差会随着时间的推移逐渐降低但验证集的误差会再次上升。这些现象的一个例子，这种现象几乎一定会出现。这意味着如果我们返回使验证集误差最低的参数设置，就可以获得更好的模型（因此，有希望获得更好的测试误差）。在每次验证集

深度学习之基于梯度的学习

我们到目前为止看到的线性模型和神经网络的最大区别，在于神经网络的非线性导致大多数我们感兴趣的损失函数都成为了非凸的。这意味着神经网络的训练通常使用的迭代的、基于梯度的优化，仅仅使得代价函数达到一个非常小的值；而不是像用于训练线性回归模型的线性方程求解器，或者用于训练逻辑回归或SVM的凸优化算

《深度学习入门》笔记 - 18

参数梯度的方法。我早就已经开始看不懂了，这个图还没完。这个正向传播算法和反向传播算法干啥用的呢？我的理解是用来训练神经网络模型的。因为中间加了很多隐藏层，隐藏层也是需要将损失最小化的呀，所以需要引入这两个算法。神经网络的目的是建立输入层与输出层之间的关系，进而利用建立的关系得到预

深度学习模型轻量化

并不一定能带来加速的效果，有时候又是相辅相成的。压缩重点在于减少网络参数量，加速则侧重在降低计算复杂度、提升并行能力等。模型压缩和加速可以从多个角度来优化。总体来看，个人认为主要分为三个层次：1. 算法层压缩加速。这个维度主要在算法应用层，也是大多数算法工程师的工作范畴。主要包括

《深度学习入门》笔记 - 12

学习步长$\alpha$是一个很重要的参数。 如果太小，算法会收敛的很慢。 如果太大，容易造成算法不收敛，甚至发散。 自变量的标准化，和因变量的中心化，是建立深度学习模型常用的数据预处理方法。 他们的好处，是不仅可以让梯度下降法的数值表现的更加稳定，还有助于我们找到合适的初始值和步长。 ![image

《深度学习：主流框架和编程实战》——1.5　深度学习展望

据集和强大的计算能力，如果没有大量真实的数据集，没有相关的工程专业知识，探索新算法将会变得异常困难。4）超参数的合理取值。深度神经网络以及相关深度学习模型应用需要足够的能力和经验来合理地选择超参数的取值，如学习速率、正则项的强度以及层数和每层的单元个数等，一个超参数的合理值取决于

《Keras深度学习实战》—2.4　MNIST数据集

gz这些文件中的数据以IDX格式存储。IDX文件格式是用于存储向量与多维度矩阵的文件格式，你可以在http://www.fon.hum.uva.nl/praat/manual/IDX_file_format.html上找到IDX格式的更多信息。 上图显示了MNIST数据集表示的图像。怎么做使用keras

《深度学习入门》笔记 - 16

然后以这两个logistic模型的结果作为输入，建立一个logistic回归模型，这个模型用于判断观测点在两条直线中所处的位置。可以写代码实现上图所示的神经网络，代码忽略之。而代码运行的结果是预测全部正确。 这里展示第2组数据的各层的结果： 对照着看从输入层到隐藏层的两个logistic模型对应的决策边界：可以看到，隐藏层把(0

分享深度学习笔记组件学习

组件学习组件学习不仅使用一个模型的知识，还使用多个模型的知识。人们相信，通过独特的信息组合或输入（包括静态和动态），深度学习可以比单一模式更深入地理解和表现。迁移学习是组件学习的一个非常明显的例子。基于这一思想，对类似问题预先训练的模型权重可用于对特定问题进行微调。为了区分不同类型的图像，构建了一

浅谈深度学习常用术语

的例子中，我们的算法对特定图像预测的结果为0，而0是给定的猫的标签，所以数字0就是我们的预测或输出。· 目标（target）或标签（label）：图像实际标注的标签。· 损失值（loss value）或预测误差（prediction error）：预测值与实际值之间的差距。数值越小，准确率越高。·

深度学习算法中的集成学习（Ensemble Learning）与深度学习的结合

深度学习相结合的方法。本文将介绍集成学习的基本概念和深度学习的优势，然后讨论集成学习在深度学习中的应用，并总结结合集成学习的深度学习算法的优势和挑战。 什么是集成学习 集成学习是一种通过将多个模型的预测结果进行组合来提高模型性能的方法。常见的集成学习方法包括投票法、平均法和堆叠法

AI、机器学习、深度学习的关系