-
3.6 手写数字识别
3.6 手写数字识别 3.6.1 MNIST 数据集 3.6.2 神经网络的推理处理 3.6.3 批处理 3.6 手写数字识别 介绍完神经网络的结构之后，现在我们来试着解决实际问题。这里我们来进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播 （forward p... -
4.3 数值微分
4.3 数值微分 4.3.1 导数 4.3.2 数值微分的例子 4.3.3 偏导数 4.3 数值微分 梯度法使用梯度的信息决定前进的方向。本节将介绍梯度是什么、有什么性质等内容。在这之前，我们先来介绍一下导数。 4.3.1 导数 假如你是全程马拉松选手，在开始的 10 分钟内跑了 2 千米。如果要计算此时的奔跑速度，则为 2/10 = 0.2... -
5.6 Affine/Softmax 层的实现
5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 5.6.2 批版本的 Affine 层 5.6.3 Softmax-with-Loss 层 5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy 中是 np.dot... -
读入数据
5.7.3 误差反向传播法的梯度确认 5.7.4 使用误差反向传播法的学习 参数 X 是图像数据、t 是正确解标签 accuracy(self, x, t) 计算识别精度 numerical_gradient(self, x, t) 通过数值微分计算关于权重参数的梯度（同上一章） gradi... -
6.2 权重的初始值
6.2 权重的初始值 6.2.1 可以将权重初始值设为 0 吗 6.2.2 隐藏层的激活值的分布 6.2.3 ReLU的权重初始值 6.2.4 基于 MNIST 数据集的权重初始值的比较 6.2 权重的初始值 在神经网络的学习中，权重的初始值特别重要。实际上，设定什么样的权重初始值，经常关系到神经网络的学习能否成功。本节将介绍权重初始值的推荐值... -
6.4 正则化
6.4 正则化 6.4.1 过拟合 6.4.2 权值衰减 6.4.3 Dropout 6.4 正则化 机器学习的问题中，过拟合 是一个很常见的问题。过拟合指的是只能拟合训练数据，但不能很好地拟合不包含在训练数据中的其他数据的状态。机器学习的目标是提高泛化能力，即便是没有包含在训练数据里的未观测数据，也希望模型可以进行正确的识别。我们可以制作复杂的... -
7.4 卷积层和池化层的实现
7.4 卷积层和池化层的实现 7.4.1 4 维数组 7.4.2 基于 im2col 的展开 7.4.3 卷积层的实现 7.4.4 池化层的实现 7.4 卷积层和池化层的实现 前面我们详细介绍了卷积层和池化层，本节我们就用 Python 来实现这两个层。和第 5 章一样，也给进行实现的类赋予 forward 和 backward 方法，并使... -
空标题文档
20.1 在线广告 在第10章中，Chris Spooner与我们分享了他的博客是如何在他自我雇用期间为他提供帮助的。如今，Chris Spooner的商业模式已经有了翻天覆地的变化。他与我们分享了他的故事： “我的在线设计教程日益增加的访问量不仅为我带来了潜在的合作项目，”Chris说，“它们还吸引了越来越多的广告商。随着越来越多的横幅广告被卖了... -
6.7 二叉树的存储结构
6.7 二叉树的存储结构 6.7.1 二叉树顺序存储结构 6.7.2 二叉链表 6.7 二叉树的存储结构 6.7.1 二叉树顺序存储结构 前面我们已经谈到了树的存储结构，并且谈到顺序存储对树这种一对多的关系结构实现起来是比较困难的。但是二叉树是一种特殊的树，由于它的特殊性，使得用顺序存储结构也可以实现。 二叉树的顺序存储结构就是用一维数组存储二... -
9.5 直接插入排序
9.5 直接插入排序 9.5.1 直接插入排序算法 9.5.2 直接插入排序复杂度分析 9.5 直接插入排序 扑克牌是我们几乎每个人都可能玩过的游戏。最基本的扑克玩法都是一边摸牌，一边理牌。假如我们拿到了这样一手牌，如图9-5-1所示。啊，似乎是同花顺呀，别急，我们得理一理顺序才知道是否是真的同花顺。请问，如果是你，应该如何理牌呢？ 图9-5...