目录
| 《改善神经网络》 | 笔记列表 |
|---|---|
| Week 1 | 深度学习的实用层面 |
| Week 1 传送门 —> | [1.1 训练/开发/测试集] [1.2 偏差/方差] [1.3 机器学习基础] [1.4 正则化] [1.5 为什么正则化可以减少过拟合] [1.6 Dropout 正则化] [1.7 理解 Dropout] [1.8 其他正则化方法] [1.9 归一化输入] [1.10 梯度消失与梯度爆炸] [1.11 神经网络的权重初始化] [1.12 梯度的数值逼近] [1.13 梯度检验] [1.14 关于梯度检验实现的注记] |
| Week 2 | 优化算法 |
| Week 2 传送门 —> | [2.1 Mini-batch 梯度下降] [2.2 理解 mini-batch 梯度下降法] [2.3 指数加权平均] [2.4 理解指数加权平均] [2.5 指数加权平均的偏差修正] [2.6 动量梯度下降法] [2.7 RMSprop] [2.8 Adam 优化算法] [2.9 学习率衰减] [2.10 局部最优的问题] |
| Week 3 | 超参数调试、Batch正则化和程序框架 |
| Week 3 传送门 —> | [3.1 调试处理] [3.2 为超参数选择合适的范围] [3.3 超参数训练的实践: Pandas vs. Caviar] [3.4 正则化网络的激活函数] [3.5 将 Batch Norm 拟合进神经网络] [3.6 Batch Norm 为什么奏效] [3.7 测试时的 Batch Norm] [3.8 Softmax 回归] [3.9 训练一个 Softmax 分类器] [3.10 深度学习框架] [3.11 TensorFlow] |
| 采访 | 大牛采访 |
| 传送门 —> | Yoshua Yuanqing Lin |
