你将学到的
  • 深度学习基本概念
  • 反向传播算法
  • NumPy 进本运算
  • 神经网络的应用
lab-classic 实验 1 深度学习基本概念

知识点: 1.如何让机器“学习” 2.神经网络的概念 3.有监督与无监督学习的区别 4.回归与分类的区别 5.损失函数的概念 6.梯度下降算法介绍 7.超参数的概念

lab-classic 实验 2 导数、梯度及矩阵运算

知识点: 1.导数、偏导、梯度、链式法则 2.矩阵运算基本法则 3.NumPy基本运算介绍

lab-classic 实验 3 反向传播算法

知识点: 1.链式法则与“计算图”的概念 2.反向传播算法

lab-classic 实验 4 使用浅层神经网络识别图片中的英文字母

知识点: 1.“浅层”与“深度”的区别 2.泛化性能 3.随机梯度下降算法 4.如何对矩阵求导 5.编写我们的损失层

lab-classic 实验 5 深度学习实战

知识点: 1.梯度消失问题 2.交叉熵损失函数

课程介绍

实验任务

  • 理解深度学习常见的基本概念
  • 学习求导法则,并动手使用 NumPy 实现
  • 构建神经网络模型
  • 编写反向传播算法
  • 训练模型
  • 优化模型

先学知识

课程难度

本课程难度为中等偏下。

面向用户

本课程主要讲解使用 Python 搭建神经网络的基本方法,该课程适合于对深度学习感兴趣想要自己动手实现的用户。

课程教师

wz 共发布过 2 门课程

查看老师的所有课程 >
实验楼楼+
实验楼会员