本周主要讲解了一些优化的算法。 Mini-batch 梯度下降法我们在执行梯度下降法时，会使用向量化的方法来加速计算。但如果训练集的数量很大时，速度仍然很慢。Mini-batch 梯度下降法可以加快训练的速度。使用传统的梯度下降法训练一次会处理所有的样本，而 Mini-btach 梯度下降法每次只处

一个基于 Mask R-CNN 的鸟类识别 APP，可以识别五种鸟类，mAP 83%。 前言这时博主的毕设的课题，时间紧迫加上自身能力所限，最后的作品还有很多不足，还望各位不吝指正。代码已经上传到了 github,并附上了详细的使用说明。先放一下效果图 概述整个系统包括用户端和服务端两部分。用户端通

这是 DeepLearning.ai 微专业的第二门课《改善深层神经网络：超参数调试、正则化以及优化》第一周的课程。 数据集划分我们通常将数据集划分为训练集 training set，简单交叉验证集（验证集）dev set，测试集 test set。我们使用不同的模型在训练集上进行训练，使用验证集对

本周介绍了超参数调整，bath归一化以及程序框架的相关内容。 超参数调试神经网络的改变会涉及到许多超参数的设置，这一节我们将介绍一些超参数调整的指导性原则。虽然超参数的数量很多，但它们的重要性却不相同。例如超参数学习率 $\alpha$ 的重要性通常要高于其他的超参数。在涉及多个超参数的调整时，我们

本文内容是 deep_learning.ai 微专业的第三门 《构建机器学习项目》第一周的课程。 这门课的内容与如何更快速高效地优化机器学习系统有关。 正交化搭建机器学习系统的挑战之一是我们可以尝试和修改的东西太多了，比如说有许多的超参数可以调整。许多高效的机器学习专家非常清楚要达到某种效果需要调整

联系我Email:xixiangshu704@qq.com