点击量：922
今天我们开始介绍Coursera-Deep Learning第四课卷积神经网络的week3的内容：目标检测，主要内容是YOLO算法。在详细介绍这个算法之前我们先普及一些目标检测的基本知识。
所谓的检测（Detection）指的是从一张图片中识别出是否存在某个目标，而目标定位（Localization）指的是在识别目标的同时，输出它在图像中的位置。我们知道使用神经网络进行目标检测是很容易的，那么如何进行目标定位呢？很简单，跟目标检测一样，我们不仅可以对图像内容打标签，还可以对它所在的位置打标签，然后通过神经网络训练，定位目标。所以，一个完整的Object Detection应该包括Detection和Localization两部分，结合起来后我们得到以下的label \(y\)：
$$
y=\begin{bmatrix}
p_c\\
b_x\\
b_y\\
b_h\\
b_w\\
c_1\\
c_2\\
c_3
\end{bmatrix}
$$
其中，
点击量：283
本文我们开始介绍Coursera-Deep Learning第四课卷积神经网络的week2的内容：深度卷积神经网络模型。
上文我们介绍了卷积神经网络的基本原理，但那只是最基本的模型，在此基础上又诞生了很多变种，它们在性能上都比最基本的模型要好，当然也更复杂。今天我们就介绍一些常见的卷积神经网络模型，主要有以下几种：LeNet-5, AlexNet, VGG-16, ResNet(残差网络)和Inception，其中前三者属于经典模型。
LeNet-5这个模型是由深度学习大神Yann LeCun于1998年在其发表一篇名为Gradient-Based Learning Applied to Document Recognition的论文中被首次提出的，可以说LeCun大神是CNN的开山鼻祖了，也有人称之为卷积网络之父。LeNet-5的名字就取自于LeCun，而5表示这个模型一共有5层，分别是两个卷积层和两个全连接层，还有一个输出层用于分类。他的结构如下：
他有什么特点呢？
点击量：170
从本文开始我将会总结Coursera-Deep Learning第四课的内容：Convolutional Neural Networks，卷积神经网络。
先看下这门课的大纲，分为以下四个部分：
看了大纲之后，与其说这门课讲的是卷积神经网络，不如说是在讲深度学习在计算机视觉（Computer Vision）中的应用。因为CNN的知识并没有那么多，一周时间的讲解就足够了。而后面的三周课则会先介绍几个当下比较流行的卷积神经网络模型，比如AlexNet,VGG,ResNet等。最后两周则会介绍如何通过一些高效算法去实现目标检测（Object Detection）和人脸识别（Face Rec[……]
点击量：172
今天总结下：Coursera-Deep Learning-Course3-Structuring Machine Learning Projects的内容，因为这节课里面有好多概念性的东西，不是很实用，因此跳过了很多。
我们在之前的文章里说到dev和test set的data distribution必须一样，这里说的Mismatched Data Distribution，指的是training set和dev/test的数据来源（data distribution）不一样，而以下讨论的几个问题都是基于这个假设的。
先来看一个很常见的应用：
开发一个供用户在手机端使用的识别猫的服务，也就是用户通过手机上传猫的图片到服务器，然后通过训练好的模型来判定这张图片是否是一只猫。
这是一个很普通的应用，但它却存在一个问题：我们在训练时不可能获得大量的来自于用户自己上传的图片数据（移动端），所以这些训练数据只能通过爬虫从网上下载。这样一来，就导致了training set和dev/test的来源不一致的问题[……]
点击量：153
本文主要介绍神经网络中几种常见的激活函数：Sigmoid, Tanh, ReLU和 Softmax。
这个应该是我们最熟悉的激活函数了，在处理二元分类任务时经常用到，它的公式是：
$$
f(x)=\frac{1}{1+e^{-x}}
$$
它的函数图像如下：
在Sigmoid的基础上做一个变形，把曲线整体下拉0.5个单位（经过原点）就得到TanH，它的公式是：
$$
{\displaystyle f(x)=\tanh(x)={\frac {2}{1+e^{-2x}}}-1}
$$
它的函数图像如下：
我们知道Sigmoid在早期的机器学习中使用非常多，但是在深度神经网络中却被舍弃了，主要有两个原因：
后来一种新的激活函数ReLU在AlexNet中被提出，解决了上述问题，也就此成为了深度学习中最常用的激活函数。ReLU，即线性整流函数（Rectifie[……]