weixin_43576422的博客

卷积神经网络CNN已经足够强大，为什么还需要RNN？RNN的独特价值卷积神经网络 – CNN 和普通的算法大部分都是输入和输出的一一对应，也就是一个输入得到一个输出。不同的输入之间是没有联系的。比如下图中的X1和X2互换一下位置，对结果是没有任何影响的。可是还存在这样场景，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。如白雪和雪白就是两种不同的意思。基于序列的模型可以用在很多领域中。在音乐中，一首曲子的下一个音符肯定取决于前面的音符，而在视频领域，电影中的下一帧肯定

数学基础总结了深度学习中可能涉及的有关线性代数、微分和概率的基础知识。为避免赘述，本节中的少数定义稍有简化。1 线性代数下⾯分别概括了向量、矩阵、运算、范数、特征向量和特征值的概念。向量这里的向量指的是列向量。⼀个n维向量x的表达式可写成x=[x1x2...xn], x=\begin{bmatrix}x_1 \\ x_2 \\... \\x_n \end{bmatrix}, x=⎣⎢⎢⎡​x1​x2​...xn​​⎦⎥⎥⎤​,其中x1, . . . , xn是向量的元素。我们

从深度神经网络（DNN）到卷积神经网络（CNN）新手向，你只需掌握一点初中数学就差不多了一个神经元长这样：X叫神经元的输入，Y叫神经元的输出，W叫神经元的权值（权重）θ： 表示偏置（截距项，阈值）f : 激活函数（激励函数）激活函数：激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。如图1，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个

拥抱机器学习文章来自于云栖社区目录拥抱机器学习 1机器学习算法：是使计算机具有智能的关键 下面我们将选取几种常见的算法，一一介绍。线性回归：找到一条直线来预测目标值逻辑回归：找到一条直线来分类数据K-近邻：用距离度量最相邻的分类标签朴素贝叶斯：选择后验概率最大的类为分类标签决策树：构造一棵熵值下降最快的分类树支持向量机（SVM）：构造超平面，分类非线性数据K-means：计算质心，聚类无标签数据关联分析：挖掘啤酒与尿布（频繁项集）的关联规则PCA降维：减少数据维度，降低数据复杂