吴恩达深度学习1笔记week2——深度学习概论Introduction to Deep Learning

最新推荐文章于 2026-07-06 17:17:58 发布
原创 最新推荐文章于 2026-07-06 17:17:58 发布 · 183 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文涵盖吴恩达深度学习课程第二周的核心内容，包括二分分类、逻辑回归原理及其实现、损失函数与成本函数的区别、梯度下降法的应用等。通过详细讲解和实例演示，帮助读者理解并掌握神经网络的基础知识。

吴恩达深度学习笔记week2——神经网络基础 Basics of Neural Network Programming

2.1 二分分类 Binary Classification

在这里插入图片描述
在这里插入图片描述

2.2 logistic 回归 Logistic Regression

在这里插入图片描述

2.3 logistic 回归损失函数 Logistic Regression cost function

在这里插入图片描述
损失函数loss function：衡量单一训练样本
成本函数cost function：衡量参数w和b的效果（所有训练样本上）

2.4 梯度下降法 Gradient Descent

在这里插入图片描述
在这里插入图片描述

2.5 导数 Derivatives

在这里插入图片描述

2.6 更多导数的例子 More derivatives examples

在这里插入图片描述
在这里插入图片描述

2.7 计算图(流程图) Computation Graph

在这里插入图片描述
蓝线，从左至右是计算图？？？

2.8 计算图的导数计算 Derivatives with a Computation Graph

在这里插入图片描述
在这里插入图片描述

2.9 logistic 回归中的梯度下降法 Logistic Regression Gradient descent

在这里插入图片描述

2.10 m 个样本的梯度下降 Gradient descent on m examples

在这里插入图片描述

2.11 向量化 Vectorization

在这里插入图片描述

2.12 向量化的更多例子 More vectorization examples

内置函数：
在这里插入图片描述
在这里插入图片描述

2.13 向量化 logistic 回归 Vectorizing Logistic Regression

在这里插入图片描述

2.14 向量化 logistic 回归的梯度输出 Vectorizing Logistic Regression’s Gradient Computation

在这里插入图片描述
在这里插入图片描述

  • 多次迭代的话，仍需要for循环

2.15 Python 中的广播 Broadcasting in Python

  • 问题的提出
    在这里插入图片描述
    在这里插入图片描述
  • 例子
    在这里插入图片描述
  • 通用规则
    在这里插入图片描述

2.16 关于 python _ numpy 向量的说明 A note on python / numpy vectors

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.17 Jupyter Ipython 笔记本的快速指南 Quick tour of Jupyter/ipython notebooks

在这里插入图片描述

2.18 （选修）logistic 损失函数的解释 Explanation of logistic regression cost function

在这里插入图片描述
在这里插入图片描述

标签
#深度学习
Saulty
关注
Introduction to Deep Learning with Python
09-12
Introduction to Deep Learning with Python，Samar Haider，图文介绍（数学原理，应用）了神经网络，RNN，CNN框架和deep learning相关知识。
吴恩达深度学习1笔记week1——深度学习概论Introduction to Deep Learning
Saulty的博客
07-07 163
吴恩达深度学习笔记week1——深度学习概论Introduction to Deep Learning1.1 欢迎1.2 什么是神经网络？What is a Neural Network?1.3 用神经网络进行监督学习 Supervised Learning with Neural Networks1.4 为什么深度学习会兴起？Why is Deep Learning taking off?1.5 关于这门课 About this Course1.6 课程资源 Course resources 1.1 欢迎
【吴恩达深度学习】01_week1_quiz Introduction to deep learning
无
02-06 1072
(1) What does the analogy “AI is the new electricity” refer to? [A] AI runs on computers and is thus powered by electricity, but it is letting computers do things not possible before. [B]AI is powering personal devices in our homes and offices, similar to
吴恩达Deep Learning编程作业 Course2- 改善深层神经网络-第三周作业：TensorFlow练习
qq_34621022的博客
03-10 1771
吴恩达Deep Learning编程作业 Course2- 改善深层神经网络-第三周作业：TensorFlow练习 到现在我们一直使用numpy来构建神经网络，接下来我们将使用深度学习框架来构建神经网络。常见的机器学习框架是TensorFlow、Paddle、Torch、Caffe、Keras等，本次作业中我们将练习使用TensorFlow，我们学习的主要内容是： 初始化参数 启动session...
吴恩达深度学习课程deeplearning.ai课程作业：Class 2 Week 1 1.Initialization
hongbin_xu的博客
12-04 2567
吴恩达deeplearning.ai课程作业，自己写的答案。 补充说明： 1. 评论中总有人问为什么直接复制这些notebook运行不了？请不要直接复制粘贴，不可能运行通过的，这个只是notebook中我们要自己写的那部分，要正确运行还需要其他py文件，请自己到GitHub上下载完整的。这里的部分仅仅是参考用的，建议还是自己按照提示一点一点写，如果实在卡住了再看答案。个人觉得这样才是正确的学
吴恩达深度学习课程deeplearning.ai课程作业：Class 4 Week 2 Keras - Tutorial - Happy House
hongbin_xu的博客
12-10 1791
吴恩达deeplearning.ai课程作业，自己写的答案。 补充说明： 1. 评论中总有人问为什么直接复制这些notebook运行不了？请不要直接复制粘贴，不可能运行通过的，这个只是notebook中我们要自己写的那部分，要正确运行还需要其他py文件，请自己到GitHub上下载完整的。这里的部分仅仅是参考用的，建议还是自己按照提示一点一点写，如果实在卡住了再看答案。个人觉得这样才是正确的学
MIT 6.S191深度学习入门实战路径：从MNIST到CIFAR-10的六步可验证跃迁
dieyuqi2955的博客
06-24 510
深度学习入门本质是建立‘输入→计算→输出’的完整因果直觉，而非堆砌概念。其核心原理在于模型、数据与优化器三者的协同机制：前向传播构建特征表达，反向传播实现梯度流动，而标准化、batch size、dropout等技术细节直接决定训练稳定性与泛化能力。这一过程的技术价值在于将抽象理论转化为可测量、可调试、可复现的工程动作——如手动计算CIFAR-10标准化参数、观测梯度范数变化、用JIT加速推理等。典型应用场景覆盖图像分类（CIFAR-10）、医疗影像二分类、工业缺陷检测等中小规模任务，尤其适合具备Pytho
时间序列预测：ARIMA/LSTM/Prophet 实战
谁念西风独自凉
07-04 38
方法适用场景优势ARIMA线性/平稳序列统计理论完善LSTM非线性/复杂模式捕捉长期依赖Prophet有季节性的业务数据自动处理节假日。
【深度学习】OpenCV 人脸识别实战：EigenFace 算法实现人脸识别
m0_66822255的博客
07-03 335
EigenFace 识别器属于 OpenCV 的 contrib 扩展模块，如果你使用的是标准版 opencv-python，运行时会报错 module ‘cv2’ has no attribute ‘face’。我们准备了 4 张人脸图像（灰度图，因为 flags=0 表示以灰度模式读取），分别是 qzl1.png、qzl2.png（属于“qzl”），pyy1.png、pyy2.png（属于“pyy”）。预测时，如果计算出的置信度大于此阈值，则认为“不认识”，返回标签 -1。
深入浅出卷积神经网络：从全连接到卷积的智慧
lyy_427的博客
07-06 198
稀疏连接（局部性）：每个神经元只与输入的一个小区域相连。参数量骤减，计算高效，且符合“局部特征只需局部信息”的物理直觉。参数共享（平移不变性）：同一个特征检测器（卷积核）被用于图像的所有位置。这不仅让参数量与图像尺寸解耦，更赋予了网络平移等变性——输入移动，特征图同步移动，无需重新学习。层次化表征：网络自动学会了从简单到复杂、从具体到抽象的金字塔式特征提取。这种结构与人类视觉系统的认知过程高度吻合，是泛化能力的重要来源。
21.AI大模型开发：深度学习----PyTorch入门
Tbisnic的博客
07-03 238
概念通俗解释深度学习用多层神经网络，让机器从数据中自动学特征张量（Tensor）多维数组，PyTorch处理数据的基本单位自动微分（autograd）PyTorch自动帮你求导，省去手推公式梯度函数在某一点的变化率，指导参数调整方向梯度下降沿着梯度反方向更新参数，让损失变小。
【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(一学就会的深度学习基础算法详解)
承渊政道的博客
06-27 1897
本文介绍了反向传播神经网络(BP神经网络)的发展历程与基本原理。文章首先回顾了人工神经网络的历史沿革，从1930年的ADALINE网络到1980年代BP算法的提出，重点阐述了BP神经网络的核心思想及其在深度学习中的重要性。BP神经网络通过误差反向传播和梯度下降优化参数，由输入层、隐含层和输出层组成，能够有效解决非线性问题。文中还展示了BP神经网络的结构示意图，并强调了其在模式识别、函数逼近等领域的广泛应用。作为深度学习的基础，BP神经网络至今仍是重要的研究方向。
生成对抗网络（GAN）原理与实战
谁念西风独自凉
07-05 121
GAN 变体特点应用DCGAN卷积架构图像生成WGANWasserstein 距离训练稳定CycleGAN无配对图像翻译风格迁移StyleGAN风格控制高质量人脸。
RNNoise的编译与集成
yang_0323的博客
07-02 170
Android Studio 不一定直接跑 RNNoise，更常见做法是把 RNNoise的src/、include/ 放进app/src/main/cpp/，自己写 CMakeLists.txt。生成的aar在app/build/outputs/aar/app-release.aar目录，将aar集成到第三方应用就可以调用了。配置CMakeLists.txt, 把src/rnnoise_data.c和src/rnnoise_tables.c加上。新增 RNNoise.java。执行完毕后确认文件的存在。
深度学习基础
weixin_71849365的博客
07-03 175
它就像一个极其复杂的数学公式。你输入一堆数字（比如几个点的 X、Y、Z 坐标），经过这些层里无数个权重参数（Weights）的乘法和加法计算，最后吐出另一个数字或向量。这个向量就是这 5 个点浓缩后的“精华”。MLP 是最基础、最经典的人工神经网络结构。它由多个“层”组成：输入层、几个隐藏层、输出层。层与层之间的每一个神经元都两两相连（所以也叫全连接层）。，比如“加法”、“矩阵乘法”、“求导”或者“卷积”。
经典模型回顾——CNN / RNN / Attention，为什么要走到 Self-Attention？
求知若渴、虚心若愚
07-01 39
本文追溯了从CNN、RNN到Self-Attention的演进历程，分析各类模型的优缺点，最终揭示Transformer设计思想的必然性。CNN擅长局部特征提取但感受野有限，RNN适合序列建模却面临梯度消失问题，LSTM通过门控机制延长记忆但仍无法并行。Self-Attention通过全局注意力机制一举解决了这些问题：既能直接捕捉长距离依赖，又具备完美的并行性。文章重点解析了注意力机制的关键设计细节，包括缩放因子√d_k的作用、多头注意力原理和两种常见mask的应用，并通过实验数据验证了这些设计对模型性能的
transformer架构以及与RNN的对比
qq_63159036的博客
06-30 604
本文简要介绍了RNN线性传递致并行非常困难且长距依赖弱，Transformer用了自注意力结构取代。同时介绍了这个架构和关键组件。
HarmonyOS 6.1 全场景实战｜《灵犀厨房一键推荐》元服务【卡片篇】日期动态化：从硬编码默认值到 LocalStorage 数据绑定的全链路修复
聚焦大数据、AI、数据库三大核心领域，分享 Flink/Spark 实时计算、数仓架构设计、AI 模型落地、数据库性能调优的实战干货，附可直接运行的源码与方案。提供企业技术内训、项目咨询与定制化服务，助力开发者与企业高效搞定数智技术难题。
07-01 361
【摘要】 本文以 HarmonyOS 6.1 服务卡片开发中的日期动态化问题为案例，揭示了 Form Kit 数据绑定的典型陷阱。当《灵犀厨房》卡片始终显示硬编码日期"1月1日 周一"时，排查发现：尽管 EntryFormAbility 正确生成了动态日期并通过 formProvider.updateForm() 推送，但 WidgetCard 端的 readonly 属性阻断了数据流动。根本原因在于 Form Kit 要求使用 @LocalStorageProp 实现动态绑定，而 readonly 属性在
深度学习核心概念——从感知机到LLM的“中间件“
求知若渴、虚心若愚
07-01 40
本文深入解析了神经网络中的关键"中间件"组件，包括前向传播与反向传播机制、激活函数的发展与比较、归一化方法的选择，以及应对过拟合的正则化技术。主要内容可概括为： 神经网络基础：从感知机的局限引出多层网络通过非线性激活函数实现复杂建模的原理，并解释前向传播和反向传播（基于链式法则）的工作机制。 激活函数演进：分析Sigmoid、ReLU等传统函数的优缺点，重点探讨GELU的概率学设计（被BERT/GPT采用）和SwiGLU的门控架构（LLaMA使用），后者通过增加参数量提升表现力。 归一化方法：对比Batch
深度学习✖️GPT
最新发布
dzhou1991的博客
07-06 92
→。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值