- 1. 2-1 机器学习、深度学习简介
- 2. 2-2 神经元-逻辑斯底回归模型
- 3. 2-3 神经元多输出
- 4. 2-4 梯度下降
- 5. 2-5 数据处理与模型图构建(1)
- 6. 2-6 数据处理与模型图构建(2)
- 7. 2-8 神经网络实现(多分类逻辑斯蒂回归模型实现)
- 8. 3-1 神经网络进阶
- 9. 3-2 卷积神经网络(1)
- 10. 3-3 卷积神经网络(2)
- 11. 3-4 卷积神经网络实战
- 12. 4-1 卷积神经网络进阶(alexnet)
- 13. 4-2 卷积神经网络进阶(Vggnet-Resnet)
- 14. 4-3 卷积神经网络进阶(inception-mobile-net)
- 15. 4-4 VGG-ResNet实战(1)
- 16. 4-5 VGG-ResNet实战(2)
- 17. 4-6 Inception-mobile_net(1)
- 18. 4-7 Inception-mobile_net(2)
- 19. 5-1 adagrad_adam
- 20. 5-2 激活函数到调参技巧(1)
- 21. 5-3 激活函数到调参技巧(2)
- 22. 5-4 Tensorboard实战(1) (1)
- 23. 5-6 fine-tune-实战
- 24. 5-7 activation-initializer-optimizer-实战
- 25. 5-8 图像增强api使用
- 26. 5-9 图像增强实战
- 27. 5-10 批归一化实战(1)
- 28. 5-11 批归一化实战(2)
- 30. 6-2 卷积神经网络的能力
- 29. 6-1 卷积神经网络的应用
- 31. 6-3 图像风格转换V1算法
- 32. 6-4 VGG16预训练模型格式
- 33. 6-5 VGG16预训练模型读取函数封装
- 34. 6-6 VGG16模型搭建与载入类的封装
- 35. 6-7 图像风格转换算法定义输入与调用VGG-Net
- 36. 6-8 图像风格转换计算图构建与损失函数计算
- 37. 6-9 图像风格转换训练流程代码实现
- 38. 6-10 图像风格转换效果展示
- 39. 6-11 图像风格转换V2算法
- 40. 6-12 图像风格转换V3算法
- 41. 7-1 序列式问题
- 42. 7-2 循环神经网络
- 43. 7-3 长短期记忆网络
- 44. 7-4 基于LSTM的文本分类模型(TextRNN与HAN)
- 45. 7-5 基于CNN的文本分类模型(TextCNN)
- 46. 7-6 RNN与CNN融合解决文本分类
- 47. 7-7 数据预处理之分词
- 48. 7-8 数据预处&63972;之词表生成与类别表生成
- 49. 7-9 实战代码模块解析
- 50. 7-10 超参数定义
- 51. 7-11 词表封装与类别封装
- 52. 7-12 数据集封装
- 53. 7-13 计算图输入定义
- 54. 7-14 计算图实现
- 55. 7-15 指标计算与梯度算子实现
- 56. 7-16 训练流程实现
- 57. 7-17 LSTM单元内部结构实现
- 58. 7-18 TextCNN实现
- 59. 7-19 循环神经网络总结
- 60. 8-1 图像生成文本问题引入&12042;
- 61. 8-2 图像生成文本评测指标
- 62. 8-3 Encoder-Decoder框架与Beam Search算法生成文本
- 63. 8-4 Multi-Modal RNN模型
- 64. 8-5 Show and Tell模型
- 65. 8-6 Show attend and Tell 模型
- 66. 8-7 Bottom-up Top-down Attention模型
- 67. 8-8 图像生成文本模型对比与总结
- 69. 8-10 图像特征抽取(1)-文本描述文件解析
- 70. 8-11 图像特征抽取(2)-InceptionV3预训练模型抽取图像特征
- 71. 8-12 输入输出文件与默认参数定义
人工神经网络(Artificial Neural Networks,ANN)系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP(Back Propagation)算法又称为误差 反向传播算法,是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理论上可以逼近任意函数,基本的结构由非线性变化单元组成,具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定,灵活性很大,在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。
神经网络算法课程涉及神经网络的基本概念、结构、工作原理和应用。学习此课程需要具备一定的数学基础,包括线性代数、微积分和概率论等知识。在课程中,学生将学习神经元、激活函数、前向传播、反向传播等基本概念,以及常见的神经网络结构,如多层感知机、卷积神经网络和循环神经网络等。此外,学生还将学习如何使用神经网络解决分类、回归、聚类和生成等问题,并学习调参、训练技巧和优化算法等实用技能。最终,学生将能够独立设计和实现神经网络模型,并应用于实际问题中。