这篇博客是吴恩达《deeplearning深度学习》课程的学习笔记精简版，涵盖第三周浅层神经网络的向量化和随机初始化，第四周深层网络结构的重点，包括多层网络参数维度、正向传播与反向传播、学习率、归一化行、Softmax函数、np.dot()与np.multiply()的使用，以及L1和L2损失函数。
毕业以后就没再写过博客，又想起来了。
Ps：本文只是个人笔记总结，没有大段的详细讲解，仅仅是将自己不熟悉和认为重要的东西总结下来，算是一个大纲，用的时候方便回忆和查找。
Ps2：部分笔记内容见图片。
相关课程内容
一、神经网络和深度学习
- 第三周 浅层神经网络
- 第四周 深层网络结构
知识点总结
第三周 浅层神经网络
1. 向量化
m个实例
正向传播：
反向传播：
2. 随机初始化（Random Initialization）
（1）全零初始化
- W权值初始化为0的问题：隐藏层所有的隐藏单元都在做相同的计算。（隐藏单元会是对称的，因而不能起到什么作用）
- 随机初始化时的参数最好比较小，以便一开始的学习速度比较快。
b权值可以初始化为0。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
