-
6.3 Batch Normalization
6.3 Batch Normalization 6.3.1 Batch Normalization 的算法 6.3.2 Batch Normalization的评估 6.3 Batch Normalization 在上一节，我们观察了各层的激活值分布，并从中了解到如果设定了合适的权重初始值，则各层的激活值分布会有适当的广度，从而可以顺利地进行学习。... -
A.3 小结
A.3 小结 A.3 小结 上面，我们画出了 Softmax-with-Loss 层的计算图的全部内容，并求了它的反向传播。未做省略的 Softmax-with-Loss 层的计算图如图 A-5 所示。 图 A-5 Softmax-with-Loss 层的计算图 图 A-5 的计算图看上去很复杂，但是使用计算图逐个确认的话，求导（反向传播的步... -
2.9 算法时间复杂度
2.9 算法时间复杂度 2.9.1 算法时间复杂度定义 2.9.2 推导大O阶方法 2.9.3 常数阶 2.9.4 线性阶 2.9.5 对数阶 2.9.6 平方阶 2.9 算法时间复杂度 2.9.1 算法时间复杂度定义 在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。... -
1-3 第二步：设置发生“向店员询问”事件的条件概率
1-3 第二步：设置发生“向店员询问”事件的条件概率 1-3 第二步：设置发生“向店员询问”事件的条件概率 在这一步，我们要做的是：为“来买东西的人”和“随便逛逛的人”这两类顾客分别设定“向店员询问”的概率。如果没有相关经验和数据作为支撑，这项工作是无法完成的。上一节讲到，即使没有相关经验，也可以设定先验概率。但此处的“各个分类的行动概率”，必须是基于... -
4.3 传递参数与参数类型
4.3 传递参数与参数类型 前面大刀阔斧地说了关于函数定义和使用，在这一节我们谈论一些细节但是重要的问题一一参数。对于在一开始就设定了必要参数的函数来说，我们是通过打出函数的名称并向括号中传递参数实现对函数的调用（call），即只要把参数放进函数的括号中即可，就像是这样： fahrenheit_converter(35)fahrenheit_conve... -
1.5 NumPy
1.5 NumPy 1.5.1 导入 NumPy 1.5.2 生成 NumPy 数组 1.5.3 NumPy 的算术运算 1.5.4 NumPy 的 N 维数组 1.5.5 广播 1.5.6 访问元素 1.5 NumPy 在深度学习的实现中，经常出现数组和矩阵的计算。NumPy 的数组类（numpy.array ）中提供了很多便捷的方法，在... -
9.9.2 快速排序复杂度分析
9.9.2 快速排序复杂度分析 9.9.2 快速排序复杂度分析 我们来分析一下快速排序法的性能。快速排序的时间性能取决于快速排序递归的深度，可以用递归树来描述递归算法的执行情况。如图9-9-7所示，它是{50,10,90,30,70,40,80,60,20}在快速排序过程中的递归过程。由于我们的第一个关键字是50，正好是待排序的序列的中间值，因此递归树... -
第15讲 在获得信息之后，概率的表示方法
第15讲 在获得信息之后，概率的表示方法 15-1 运用“条件概率”来表示“贝叶斯逆概率” 第15讲 在获得信息之后，概率的表示方法 “条件概率”的基本性质 15-1 运用“条件概率”来表示“贝叶斯逆概率” 通过前面的讲义大家已经了解到：贝叶斯推理来说，最重要的观点是“获得信息之后，概率发生变化” 。用第2讲中的案例来具体解释，即：在癌症指标检... -
20-5 正态分布的多个观测值的平均值为正态分布
20-5 正态分布的多个观测值的平均值为正态分布 20-5 正态分布的多个观测值的平均值为正态分布 正态分布具有以下神奇的性质： 正态分布观测结果的平均值具有何种性质 根据平均值μ、标准偏差б的正态分布观测到n个数值，取平均值记为x ，即 x ＝（n个的观测值的和）÷n 此时的 x 也遵循正态分布，它的平均值和标准偏差分别为： 平均值...