深度学习要解决的问题
- 1 深度学习要解决的问题
- 2 应用领域
- 3 计算机视觉任务
- 4 视觉任务中遇到的问题
- 5 得分函数
- 6 损失函数
- 7 前向传播整体流程
- 8 返向传播计算方法
- 1 梯度下降
- 9 神经网络整体架构
- 11 神经元个数对结果的影响
- 12 正则化和激活函数
- 1 正则化
- 2 激活函数
- 13 神经网络过拟合解决办法
- 1 数据预处理
- 2 参数初始化
- 3 DROP-OUT-七伤拳
- 视频
1 深度学习要解决的问题
怎么样提特征
2 应用领域
（1）无人驾驶，
计算机视觉
（2）人脸识别
移动端-计算量太大，速度慢，卡。
参数：成千上百万的。
（3）医学
（4）变脸
（5）图像自动上色
有监督的问题，
3 计算机视觉任务
1 分类：
挑战：照射角度，形状改变，部分遮挡，背景混入
套路：收集数据给定标签，训练分类器，测试评估
（1）K近邻算法
- 不适合作为分类的算法。
4 视觉任务中遇到的问题
- 背景相同的放到一起了，关注的是主体。
5 得分函数
6 损失函数
w权重矩阵，是优化来的，什么样的w适合做当前的人物。
损失函数既能做分类又能做回归的。
衡量分类的结果。
损失函数是怎么定义的，网络是不会变的，不同的任务损失函数是不一样的。
7 前向传播整体流程
缺点过于强大了，否则过拟合了。
8 返向传播计算方法
1 梯度下降
9 神经网络整体架构
找参数，
11 神经元个数对结果的影响
12 正则化和激活函数
1 正则化
2 激活函数
非常重要
13 神经网络过拟合解决办法
1 数据预处理
2 参数初始化
3 DROP-OUT-七伤拳
视频
https://www.bilibili.com/video/BV15t4y1G7kq?p=14&vd_source=5c9c50b5a07b211beafdf65d7cc7f8c8
