深度学习 黑话.docxVIP

深度学习 黑话 深度学习一般有两个大的角色：层和变换（Transformers）。 层中也包括两个子类型：最大层（Apical Layers）和非最大层（Non-Apical Layers）。 最大层，如ConvNET，FCN，或者示例，大多是由一系列的np.array的堆叠构成，这些np.array存储了神经网络的参数化表征。 非最大层是一种让它们能creat出weights和biases的层，它们是由激活函数（activation function）和梯度更新算法（gradient update algorithm）构成。 而变换就是把参数传入到每个层中，以改变其输出性质。 例如，卷积操作可用于提取图像特征，全连接操作可用于将这些特征分类、分类或回归，而关联像是连接不同层的时刻，用于最大化系统的性能。 总的来说，深度学习是一种基于深度的机器学习技术，致力于通过改变参数和变换在每一层中获得特征，最终用于分类和预测。它包括多层神经网络（multi-layered neural networks），监督学习，非监督学习，以及强化学习等技术。