此笔记来源于SebastianRaschka的IntroductiontoDeepLearning系列课程。首先介绍的是传统的编程范式，假设我们想实现垃圾邮件识别的功能，传统的方法就是由程序员来找出垃圾邮件的规则并对其进行编程，得到一个垃圾邮件识别的程序。机器学习的方法，可以通过输入邮件以及邮件对应的标签，通过算法自动得到机器学习模型，该模型可以代替传统方法中程序员手动编写规则得到的程序，实现垃圾

最经典的神经元模型，从左到右依次是：输入、权重、加权和、阈值、输出。加权和又叫做NetInput，符号为z，当z的值大于阈值时输出1，小于阈值时输出0。实现与门和或门，权重为1，阈值分别为1.5和0.5即可。用偏置b代替负阈值，此时的加权和z就变成了wTx+b{w^T}x+bwTx+b，新的阈值就是0了。更进一步的，可以将偏置看作是输入1时对应的权重，这样做的好处是可以写成向量内积的形式，有利于数

编程导航：nav.wenancoding.com个人blog：wenancoding.comgzh：【问安coding】定义感知机接收多个输入信号，输出一个信号。感知机的信号只有1/0两种取值，0对应“不传递信号”，1对应“传递信号”。x1，x2是输入信号。y是输出信号。w1、w2是权重（w是weight的首字母）。每个变量都有权重，权重越大，对应该权重的信号的重要性就越高。图中的○称为“神经元”

一些简单函数的使用获取数据集的数据#KyrieIrving#!/9462...fromtorch.utils.dataimportDatasetimportcv2fromPILimportImageimportos#img=cv2.imread('E:\\CodeCodeCodeCode\\Python-data\\hymenoptera_data\\train\\ants\\5650366_e2

课程学习笔记，课程链接学习笔记同步发布在我的个人网站上，欢迎来访查看。文章目录一、Dataset和Dataloader二、数据集初识三、Dataset类初识一、Dataset和DataloaderPytorch读取数据主要涉及两个类：Dataset和Dataloader数据可类比为“垃圾”，不同数据是不同种类的垃圾，这里蓝色是可回收垃圾。Dataset能够把垃圾中的可回收垃圾即蓝色块给挑选出来，并

torchvision官网：https://pytorch.org/Python官网.点进torchvision:torchvision文档列出了很多科研或者毕设常用的一些数据集，如入门数据集MNIST，用于手写文字。这些数据集位于torchvision.datasets模块，可以通过该模块对数据集进行下载，转换等操作。torchvision还有io模块，但不常用torchvision.model

Poolinglayers可视化层相当于1080P—>720PDilation空洞卷积ceil_mode默认是false此时池化核（3*3）步长为3测试代码#KyrieIrving#!/9462...importtorchimporttorchvisionfromtorchimportnnfromtorch.nnimportMaxPool2dfromtorch.utils.dataimportDa

首先安装TensorBoard从函数介绍可知：这个类主要是将事件文件写入log_dir文件夹，可以被TensorBoard解析。要用到其成员函数add_scalar()pipinstalltensorboardfromtorch.utils.tensorboardimportSummaryWriterdefadd_scalar(self,tag,scalar_value,global_step=N

关于CNN的理论知识我之前的文章有详细的讲述：Python深度学习入门笔记4CNN。这里我们依据不再赘述，直接展示代码中可能会遇到的问题。卷积层的实现CNN中处理的是4

神经网络有三层1.输入层2.中间层/隐藏层3.输出层如下图图中网络有三层神经元构成，但实质上只有两层有权重，因此称为“2层网络”对于感知机：b是被称为偏置的参数，用于控制神经元被激活的容易程度；而w_1和w_2是表示各个信号的权重的参数，用于控制各个信号的重要性现在将式（3.1）改写成更加简洁的形式。为了简化式（3.1），我们用一个函数来表示这种分情况的动作（超过0则输出1，否则输出0）。引入新函

Pytorch深度学习入门笔记1（Pycharm版，环境安装的坑，配置项目）文章目录Pytorch深度学习入门笔记1（Pycharm版，环境安装的坑，配置项目）环境需求与环境配置需要的环境环境配置和一些要注意的点

Pytorch深度学习入门笔记作者：梅如你学习来源：公众号：阿力阿哩哩、土堆碎念B站视频：https://www.bilibili.com/video/BV1hE411t7RN?

需要一点点深度学习基础就能看懂，零基础请参考我的深度学习入门笔记。顺序：深度学习入

目录一、简介二、Inception网络结构各版本的演化1Inception单元结构2InceptionV13InceptionV2——卷积核替换4InceptionV3——卷积核拆分5InceptionV46Bottleneck卷积结构7Xception的DepthwiseSeparableConv深度可分离卷积（这个方法需要的话后面再详细了解）三、GoogLeNet的创新之处四、代码（Pytor

深度学习基本概念深度学习是机器学习算法中的一类，其源于人工神经网络的研究。深度学习广泛应用在计算机视觉，音频处理，自然语言处理等诸多领域。深度可以理解为数据计算转换的层数。机器学习&深度学习深度学习可以看做是机器学习的一个研究领域（没有严格的定义）。目前，机器学习主要处理结构化数据，而深度学习主要处理非结构化数据。神经元深度学习从生物学中受到启发，其灵感来自于人脑的神经网络。神经网络可以看做是由若

课程学习笔记，课程链接学习笔记同步发布在我的个人网站上，欢迎来访查看。文章目录一、torch.nn简介二、简单示例这篇博客将讲述如何搭建一个网络，是课程学习笔记，课程链接已经放在上方。一、torch.nn简介搭建神经网络常用的工具在torch.nn模块。官网：https://pytorch.org/docs/stable/nn.htmlContainers中文翻译为容器，但这里可以理解为骨架，往这

文章目录一、工具安装1.1Anaconda安装1.2Pytorch安装二、编辑器安装2.1Pycharm安装2.2Jupyter安装记录下开发环境搭建过程。学习笔记同步发布在我的个人网站上，欢迎来访查看。OS：ubuntu20.04（虚拟机）一、工具安装1.1Anaconda安装首先安装Anaconda,我是去清华大学镜像站下载，版本为Anaconda3-5.2.0-Linux-x86_64.sh

编程导航：nav.wenancoding.com个人blog：wenancoding.comgzh：【问安coding】定义感知机接收多个输入信号，输出一个信号。感知机的信号只有1/0两种取值，0对应“不传递信号”，1对应“传递信号”。x1，x2是输入信号。y是输出信号。w1、w2是权重（w是weight的首字母）。每个变量都有权重，权重越大，对应该权重的信号的重要性就越高。图中的○称为“神经元”

今后还会给持续更新深度学习入门笔记。全篇多图预警，总计近7500字，记录的也比较仔细，希望能够帮助到各位！二.正文(1)卷积的第一层含义：计算系统存量卷积公式

1.理解误差反向传播关于误差反向传播的理论和使用计算图推导理解的过程，我之前的文章：Python深度学习入门笔记2理解误差反向传播&用python实现自动微

神经网络中的激活函数与损失函数&深入理解softmax交叉熵前面在深度学习入门笔记1和深度学习入门笔记2中已经介绍了激活函数和损失函数，这里做一些补充，主要是介绍softmax交叉熵损失函数。

Python深度学习入门笔记5这一部分，我们介绍一下深度学习的一些性质特点，发展状况和未来方向等。这一部分没有什么具体的技术细节，也没有代码实现，只是作为后续进一步学习的简单前瞻。

Python深度学习入门笔记4CNN卷积神经网络这一部分的主题是卷积神经网络CNN。

Python深度学习入门笔记21.神经网络的学习内容标题中的学习是指从训练数据中自动获取最优权重参数的过程。

@目录一、工具安装1.1Anaconda安装1.2Pytorch安装二、编辑器安装2.1Pycharm安装2.2Jupyter安装OS：ubuntu20.04（虚拟机）一、工具安装1.1Anaconda安装首先安装Anaconda,我是去清华大学镜像站下载，版本为Anaconda3-5.2.0-Linux-x86_64.sh参考这篇CSDN博客安装好。安装成功测试：首先创建一个虚拟环境：conda

@[Toc]OS：ubuntu20.04（虚拟机）一、工具安装1.1Anaconda安装首先安装Anaconda,我是去清华大学镜像站下载，版本为`Anaconda3-5.2.0-Linux-x86_64.sh`参考这篇CSDN博客安装好。安装成功测试：首先创建一个虚拟环境：condacreate-npytorchpython=3.6输入sourceactivatepytorch激活环境1.2Py

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

本系列将分为8篇。今天是第二篇。主要讲讲TensorFlow框架的特点和此系列笔记中涉及到的入门概念。1.Tensor、Flow、Session、GraphsTensorFlow从单词上可以分成Tensor和Flow两个单词。Tensor即张量，表明了其数据结构；Flow翻译可理解为流，直观的表达了张量之间通过计算相互转化的过程；还有一个很重要的概念Session，即对话的概念，用于执行定义好的运

一多层网络结构误差反向传播，把误差从最后输出层往上传，每一层神经元都可以不断调节权值，使其达到一个最好的状态。有几个类别设置几个输出单元。层数越多，数据提取的特征越高层。二常用激活函数Sigmoid函数2.Tanh函数和Softsign函数三BP神经网络的具体实现1.基本思想：由信号的正向传播和误差的反向传播组成。首先是正向传播，数据从输入层输入，经各隐含层逐层处理后传向输出层。若输出层的实际输出

手写数字识别此后需要用到的代码，均可通过此链接进行下载解压链接：https://pan.baidu.com/s1FBya4cVub3LgJTJo8yMzMg提取码：ntca一.输出层的设计神经网络可以用在分类问题和回归问题上，不过需要根据情况来改变输出层的激活函数。一般来说，分类问题用softmax函数，回归问题用恒等函数。1.恒等函数和softmax函数恒等函数会将输入按原样输出，对于输入的信息

神经网络神经网络的一个重要的性质就是它可以自动地从数据中学习到合适的权重参数。一.从感知机到神经网络感知机与神经网络存在很多的共同点。下图为一种简单的全连接网络形式神经网络的例子其中，我们把最左边一列称为输入层，最右边一列称为输出层，中间的一列称为中间层（隐藏层）。1.激活函数一般，我们将把输入信号的总和转换为输出信号的函数称为激活函数(activationfunction)。激活函数的计算过程如

深度学习入门学习笔记一感知机一.感知机是什么感知机接收多个输入信号，输出一个信号。图1图1是一个接收两个输入信号的感知机的例子。x1、x2是输入信号，y是输出信号，w1、w2是权重(w是weight的首字母)。图中的圆圈称作神经元或者节点。输入信号呗送往神经元时，会被分别乘以固定的权重(w1x1,w2x2)。神经元会计算过来的信号的总和只有当这个总和超过了某个界限值，才会输出1。这也称为神经元被激

深度学习入门笔记（四）神经网络的学习这一节主要讲解神经网络的学习，这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。为了使神经网络能够进行学习，将导入损失函数这一指标。

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

第一章深度学习介绍1.1人工智能人工智能的实力将它分成3大类(1)弱人工智能(ArtificialNarrowIntelligence,ANI)(2)强人工智能(ArtificialGeneralIntelligence,AGI)(3)超人工智能(ArtificialSuperintelligence,ASI)1.2数据挖掘、机器学习与深度学习1.2.1数据挖掘数据挖掘就是在大型的数据库中发现有用

专栏——深度学习入门笔记推荐文章深度学习入门笔记（一）：机器学习基础深度学习入门笔记（二）：神经网络基础深度学习入门笔记（三）：感知机深度学习入门笔记（四）：神经网络深度学习入门笔记（五）：神经网络的学习深度学习入门笔记

专栏——深度学习入门笔记推荐文章深度学习入门笔记（一）：机器学习基础深度学习入门笔记（二）：神经网络基础深度学习入门笔记（三）：感知机深度学习入门笔记（四）：神经网络深度学习入门笔记（五）：神经网络的学习未完待续

本系列将分为8篇。今天是第三篇。主要讲讲感知器模型和tensorboard的基本使用方法。1.感知器模型因为小詹之前写过一篇感知器模型的介绍，这里就不赘述了。2.tensorboardTensorBoard是TensorFlow自带的可视化结构管理和调试优化网络的工具。在我们学习深度学习网络框架时，我们需要更直观的看到各层网络结构和参数，也可以更好的进行调试优化网络。TensorBoard可以实现

本系列将分为8篇。今天是第一篇，工欲善其事必先利其器，先简单讲讲当前的主流深度学习框架TensorFlow及其安装方法。我们知道，深度学习研究的热潮持续高涨，许多的开源深度学习框架也层出不穷，比如TensorFlow、Caffe、Keras、Theano、Torch7……其中，TensorFlow由强大的谷歌研发，应用也十分广泛，从GitHub上的数据统计可以看出来其有着大一统之势头。关于Tens

基于tensorflow的回归代码实现本系列将分为8篇。今天是第四篇。总是理论有些枯燥，今天来动手基于TF框架实现两个简单的案例，以小搏大熟悉一下整个过程。整体来说，训练神经网络分为3个步骤：定义神经网络的结构和前向传播的输出结果定义损失函数以及选择反向传播优化的算法生成会话（tf.Session)并在训练数据上反复运行反向传播优化算法现以直线拟合和回归拟合两个简单案例来熟悉以上3个步骤。>>>阅

专栏——深度学习入门笔记推荐文章深度学习入门笔记（一）：机器学习基础深度学习入门笔记（二）：神经网络基础深度学习入门笔记（三）：感知机…—————————————————————————————————

专栏——深度学习入门笔记推荐文章深度学习入门笔记（一）：机器学习基础深度学习入门笔记（二）：神经网络基础深度学习入门笔记（三）：感知机深度学习入门笔记（四）：神经网络未完待续。。。

原文链接:https://blog.csdn.net/TeFuirnever/article/details/100835595欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料

欢迎关注WX公众号：【程序员管小亮】专栏——深度学习入门笔记声明1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。2）本文仅供学术交流，非商用。

前言神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应”.我们在机器学习中谈论神经网络时指的是“神经网络学习”，或者说，是机器学习与神经网络这两个学科领域的衣叉部分。文章目录前言1.神经元模型2.感知机与多层网络2.1感知机2.2多层神经网络3.误差逆传播算法4.全局最小与局部极小5.其他常见神经网络5.1RBF网络5.2ART网络

专栏——深度学习入门笔记文章目录专栏——深度学习入门笔记本章内容一.人工智能的机遇与挑战二.机器学习2.1什么是机器学习2.2用机器学习解决问题的一般流程2.3数据预处理2.4特征工程2.5模型性能的评估与选择三