![深度学习基础入门篇-序列模型[11]：循环神经网络 RNN、长短时记忆网络LSTM、门控循环单元GRU原理和应用详解](https://ucc.alicdn.com/fnj5anauszhew_20230524_b108a74154d2444389bdc55cb0862a7e.png)
深度学习基础入门篇-序列模型[11]：循环神经网络 RNN、长短时记忆网络LSTM、门控循环单元GRU原理和应用详解
深度学习基础入门篇-序列模型[11]：循环神经网络 RNN、长短时记忆网络LSTM、门控循环单元GRU原理和应用详解 1.循环神经网络 RNN 生活中，我们经常会遇到或者使用一些时序信号，比如自然语言语音，自然语言文本。以自然语言文本为例，完整的一句话中各个字符之间是有时序关系的，各个字符顺序的调换...
玄铁RISC-V处理器入门与实战-平头哥RISC-V 工具链-HHB神经网络模型部署工具
1）概述HHB（Heterogeneous Honey Badger）是针对玄铁全系列处理器、无剑SoC平台的神经网络模型部署工具集，包括了编译优化，性能分析，过程调试，结果模拟等一系列部署时所需的工具。该工具集通过向开发者提供从模型优化到部署调试全过程的辅助工具，简化AI模型应用落地...
![深度学习基础入门篇[8]：：计算机视觉与卷积神经网络、卷积模型CNN综述、池化讲解、CNN参数计算](https://ucc.alicdn.com/fnj5anauszhew_20230521_364891646bc34e43819e5c5d8ea45ee8.png)
深度学习基础入门篇[8]：：计算机视觉与卷积神经网络、卷积模型CNN综述、池化讲解、CNN参数计算
深度学习基础入门篇[8]：：计算机视觉与卷积神经网络、卷积模型CNN综述、池化讲解、CNN参数计算 1.计算机视觉与卷积神经网络 1.1计算机视觉综述 计算机视觉作为一门让机器学会如何去“看”的学科，具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪...
深度学习入门（5）如何对神经网络模型训练结果进行评价
如何对神经网络模型训练结果进行评价上一篇文章《深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程》介绍了基于mnist的手写体数字集的两层神经网络的搭建与训练过程，通过损失函数的训练结果我们可以发现，随着训练的进行，损失函数逐渐减小，但是光这一点并不能很好的说明该神经网络的训练...
深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程
上一篇文章《深度学习入门（3）神经网络参数梯度的计算方式》主要介绍神经网络中的参数梯度是如何计算的。本文将直接使用之前公众号介绍过损失函数、激活函数以及梯度计算直接手动实现一个两层的神经网络训练过程。也许有人会说使用pytorch或者tensorflow框架，几行代码就可以搭建一个神经网络，为什么要...
深度学习入门（3）神经网络参数梯度的计算方式
前言上一篇文章介绍了神经网络需要达到的最终目标，即使所定义的损失函数值达到尽可能的小。那么，是如何达到使得损失函数的值最小的呢？其实，最常使用的核心大招就是“梯度法”进行参数的更新优化，最终达到使得损失函数最小的目的。本文将介绍神经网络中参数的梯度是如何计算的。在介绍梯度法之前先简单介绍一下所用到的...
深度学习入门（2）神经网络
感知机：设定权重的工作由人工来进行确定。神经网络：可以自动的从数据中学习到合适的权重参数。从感知机到神经网络0层：输入层1层：中间层（隐藏层）2层：输出层该网络由3层神经元构成，但只有2层神经元有权重，因此称其为“2层网络”。（有的也称3层）输...
深度学习入门（9）神经网络Affine与Softmax层的计算图表示方式及其误差反向传播的代码实现
1 Affine与Softmax层的实现1.1 Affine层神经元的加权和可以用 Y = np.dot(X, W) + B计算出来。然后，Y 经过激活函数转换后，传递给下一层。这就是神经网络正向传播的流程。神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换” 。将进行仿...
手把手带你入门人工神经网络~
01神经元模型人工神经网络是受到人类大脑结构的启发而创造出来的。如图神经网络算法正是模仿了上面的网络结构。下面是一个人工神经网络的构造图。每一个圆代表着一个神经元，他们连接起来构成了一个网络。人类大脑神经元细胞的树突接收来自外部的多个强度不同的刺激，并在神经元细胞体内进行处理，然后将其转化为一个输出...
深度学习入门笔记系列 ( 七 ) ——循环神经网络（RNN）学习笔记
循环神经网络（RNN）学习笔记本系列将分为 8 篇 。本次为第 7 篇 ，简单的介绍下循环神经网络 。1.引言在传统的神经网络模型中 ，是从输入层到隐含层再到输出层 ，层与层之间是全连接的 ，每层之间的节点是无连接的 。但是这种普通的神经网络对于很多问题却无能无力 。例如 ，你要预测句子的下一个单词...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
