跳转到内容

人工智能教程

未分类类别订阅

公告

请从前言看起! 本篇文章会员可见。只有认认真真学习的同学才能入会! 入会的入口链接在前几篇文章中,通… 继续阅读 公告

  • 发表于: 2018年11月19日 2020年10月25日
  • 作者: 床长

1.2.2 神经网络是如何进行预测的

上一篇文章中我们已经知道了如何将数据输入到神经网络中。那么神经网络是如何根据这些数据进行预测的呢?我… 继续阅读 1.2.2 神经网络是如何进行预测的

  • 发表于: 2018年11月18日 2025年2月16日
  • 作者: 床长

1.2.1 如何将数据输入到神经网络中

通过对前面文章的学习,我们已经知道神经网络可以实现真正的人工智能。本小节我会进行详细地讲解,让大家彻… 继续阅读 1.2.1 如何将数据输入到神经网络中

  • 发表于: 2018年11月18日 2023年3月30日
  • 作者: 床长

1.1.1 什么是神经网络

什么是人工智能?通俗来讲,就是让机器能像人一样思考。这个无需解释太多,因为通过各种科幻电影我们已经对… 继续阅读 1.1.1 什么是神经网络

  • 发表于: 2018年11月18日 2023年6月4日
  • 作者: 床长

目录

  • 前言
  • 1 人工智能基础
  • 1.1 科普
  • 1.1.1 什么是神经网络
  • 1.2 基础知识
  • 1.2.1 如何将数据输入到神经网络中
  • 1.2.2 神经网络是如何进行预测的
  • 1.2.3 预测得准确吗
  • 1.2.4 网络是如何进行学习的
  • 1.2.5 计算图
  • 1.2.6 如何计算逻辑回归的偏导数
  • 1.2.7 向量化
  • 1.2.8 如何开始使用python
  • 1.2.9 如何向量化人工智能算法
  • 1.2.10 一些基础概念
  • 1.2.11 特征工程
  • 1.2.12 哪些特征是有价值的
  • 1.2.13 数据清理
  • 1.2.14 逻辑回归与分类阈值
  • 1.2.15 静态训练与动态训练
  • 【实战编程】教你编写第一个人工智能程序
  • 1.3 神经网络
  • 1.3.1 浅层神经网络
  • 1.3.2 如何计算浅层神经网络的前向传播
  • 1.3.3 如何计算浅层神经网络的反向传播
  • 1.3.4 为什么需要激活函数
  • 1.3.5 常见的激活函数
  • 1.3.6 激活函数的偏导数
  • 1.3.7 随机初始化参数
  • 1.3.8 非线性与激活函数
  • 【实战编程】教你编写浅层神经网络
  • 1.3.9 为什么需要深度神经网络
  • 1.3.10 如何计算深度神经网络
  • 1.3.11 核对矩阵的维度
  • 1.3.12 参数和超参数
  • 1.3.13 监督学习型神经网络
  • 1.3.14 什么使深度学习火起来了
  • 【实战编程】构建深度神经网络
  • 1.4 额外知识
  • 1.4.1 标量、向量、矩阵和张量
  • 1.4.2 深入了解矩阵
  • 1.4.3 范数
  • 1.4.4 什么是微积分
  • 1.4.5 古典微积分
  • 1.4.6 极限微积分
  • 1.4.7 偏导数
  • 1.4.8 方向导数
  • 1.4.9 什么是概率论
  • 1.4.10 条件概率
  • 1.4.11 什么是信息论
  • 1.4.12 条件熵
  • 1.4.13 互信息
  • 1.4.14 相对熵(KL散度)
  • 1.4.15 交叉熵
  • 2 实战优化
  • 2.1 实战基础
  • 2.1.1 如何配置数据集
  • 2.1.2 欠拟合和过拟合
  • 2.1.3 如何解决欠拟合与过拟合
  • 2.1.4 L2正则化
  • 2.1.5 dropout
  • 2.1.6 数据增强
  • 2.1.7 将输入特征进行归一化处理
  • 2.1.8 梯度消失和梯度爆炸
  • 2.1.9 梯如何判断网络是否有bug
  • 2.1.10 H5文件
  • 【实战编程】初始化参数
  • 【实战编程】正则化
  • 【实战编程】梯度检验
  • 2.2 优化算法
  • 2.2.1 Mini-batch
  • 2.2.2 如何为mini-batch选择合理的大小
  • 2.2.3 指数加权平均
  • 2.2.4 输入理解指数加权平均
  • 2.2.5 动量梯度下降
  • 2.2.6 RMSprop
  • 2.2.7 Adam优化算法
  • 2.2.8 学习率衰减
  • 2.2.9 局部最优
  • 【实战编程】mini-batch梯度下降
  • 【实战编程】动量梯度下降
  • 【实战编程】Adam
  • 【实战编程】对比优化算法
  • 2.3 调试神经网络
  • 2.3.1 调参
  • 2.3.2 为调参选择采样标尺
  • 2.3.3 各种调参经验
  • 2.3.4 调参模式和工具
  • 2.3.5 规范化隐藏层的输入
  • 2.3.6 BN的好处
  • 2.3.7 使用模型时的BN
  • 2.3.8 Softmax
  • 2.3.9 深入理解softmax
  • 2.3.10 如何选择深度学习框架
  • 2.3.11 手把手教你使用tensorflow
  • 【实战编程】手把手带你学习Tensorflow1.x
  • 【实战编程】手把手教你用tensorflow1.x构建一个完整的人工智能程序
  • 【实战编程】手把手带你学习Tensorflow2.x
  • 3 深度学习项目实战
  • 3.1 项目实战一
  • 3.1.1 决策很重要
  • 3.1.2 正交化
  • 3.1.3 如何判断哪个网络更好?——F1分数
  • 3.1.4 如何做选择
  • 3.1.5 验证集与测试集的数据来源要一致
  • 3.1.6 数据集的获取与划分
  • 3.1.7 判定标准是可以变的
  • 3.1.8 AI能力与人类能力的关系
  • 3.1.9 利用贝叶斯误差来判断拟合度
  • 3.1.10 人类误差是多少呢?
  • 3.1.11 AI超越人类
  • 3.1.12 提升AI系统的一般流程
  • 3.1.13 数据集的偏见
  • 【实战编程】大项目神经网络
  • 3.2 实战项目二
  • 3.2.1 手工分析错误
  • 3.2.2 同时手工分析多个错误类别
  • 3.2.3 标签打错了
  • 3.2.4 如何修正错误标签
  • 3.2.5 快速地构建一个简单的系统
  • 3.2.6 验证集要反应出真实目的
  • 3.2.7 异源时的训练验证集
  • 3.2.8 常用的误差分析
  • 3.2.9 如何解决异源问题
  • 3.2.10 迁移学习
  • 3.2.11 如何实现迁移学习
  • 3.2.12 什么时候才应该使用迁移学习?
  • 3.2.13 多任务学习
  • 3.2.14 深度理解多任务学习
  • 3.2.15 一步到位——端到端学习
  • 3.2.16 何时用端到端
  • 3.2.17 如何制作数据集
  • 【实战编程】优化大项目
  • 4 人脸识别
  • 4.1 智能视觉
  • 4.1.1 智能视觉
  • 4.1.2 卷积运算
  • 4.1.3 边缘检测
  • 4.1.4 深入理解边缘检测
  • 4.1.5 padding
  • 4.1.6 卷积步长
  • 4.1.7 3D卷积
  • 4.1.8 多过滤器
  • 4.1.9 卷积层
  • 4.1.10 一个完整的卷积网络
  • 4.1.11 池化层
  • 【实战编程】手把手教你构建卷积神经网络(一)
  • 【实战编程】手把手教你构建卷积神经网络(二)
  • 【实战编程】使用TF构建卷积神经网络
  • 4.2 深度卷积网络
  • 4.2.1 学习一些牛逼的例子
  • 4.2.2 LeNet-5
  • 4.2.3 AlexNet
  • 4.2.4 VGG
  • 4.2.5 残差网络
  • 4.2.6 1×1卷积
  • 4.2.7 Inception网络
  • 4.2.8 学会利用开源项目
  • 4.2.9 迁移学习
  • 4.2.10 学会使用数据增强
  • 4.2.11 智能视觉领域的现状
  • 【实战编程】残差网络
  • 4.3 目标检测
  • 4.3.1 物体定位
  • 4.3.2 关键点探测
  • 4.3.3 目标检测
  • 4.3.4 滑动窗口探测法
  • 4.3.5 卷积化滑动窗口
  • 4.3.6 如何判断定位是否精准
  • 4.3.7 如何避免一个物体被重复探测到?
  • 4.3.8 两个物体的中心在同一个格子怎么办?
  • 4.3.9 非极大值抑制的实现细节
  • 4.3.10 候选区域
  • 【实战编程】自动驾驶之车辆探测
  • 4.4 风格迁移
  • 4.4.1 风格迁移概述
  • 4.4.2 差异性验证
  • 4.4.3 如何实现差异性验证
  • 4.4.4 如何训练差异性验证网络
  • 4.4.5 差异性验证网络的训练技巧
  • 4.4.6 差异性验证网络的另一种训练方法
  • 4.4.7 神经网络每层到底都学会了什么?
  • 4.4.8 神经风格迁移网络
  • 4.4.9 内容损失函数
  • 4.4.10 什么是风格
  • 4.4.11 风格损失函数
  • 【实战编程】风格转换
  • 【实战编程】人脸识别
  • 5 语音识别
  • 5.1 循环序列模型
  • 5.1.1 序列模型
  • 5.1.2 序列模型的数据集
  • 5.1.3 循环神经网络RNN
  • 5.1.4 RNN的计算过程
  • 5.1.5 各种结构的RNN
  • 5.1.6 人工智能写作
  • 5.1.7 普通RNN的记性不好
  • 5.1.8 使用LSTM来增强RNN的记忆力
  • 5.1.9 使用GRU来增强RNN的记忆力
  • 5.1.10 双向循环神经网络BRNN
  • 5.1.11 深度RNN
  • 5.1.12 纯pyhon构建RNN
  • 【实战编程】纯pyhon构建RNN
  • 【实战编程】智能写作
  • 【实战编程】智能音乐
  • 5.2 自然语言处理与词嵌入
  • 5.2.1 什么是词嵌入
  • 5.2.2 如何使用词嵌入技术
  • 5.2.3 词嵌入与类比推理
  • 5.2.4 如何得到词嵌入矩阵表
  • 5.2.5 word2vector模型
  • 5.2.6 负采样
  • 5.2.7 Glove模型
  • 5.2.8 情感分类
  • 5.2.9 AI的偏见
  • 5.2.10 词嵌入除偏
  • 【实战编程】类比推理
  • 【实战编程】智能表情
  • 【实战编程】智能表情-升级版
  • 5.3 序列模型和注意力机制
  • 5.3.1 seq2seq简介
  • 5.3.2 最佳翻译
  • 5.3.3 Beam搜索
  • 5.3.4 Beam搜索升级版
  • 5.3.5 问题是否出在Beam搜索上
  • 5.3.6 如何判断翻译得是否精准
  • 5.3.7 注意力模型
  • 5.3.8 注意力模型详述
  • 5.3.9 如何设置注意力权重?
  • 5.3.10 触发字检测
  • 【实战编程】机器翻译
  • 【实战编程】唤醒词检测
  • 6 自动驾驶
  • 7 生成对抗网络GANs
  • 8 强化学习
  • 9 无监督学习
  • 10 人工大脑

© 2025 人工智能教程 沪ICP备15025210号