教程名称：2016年最新从神经网络到深度学习原理精讲班 12课教程目录：【】第01课 跌宕起伏70年：神经网络发展概述【】第02课 线性神经网络【】第03课 BP神经网络应用【】第04课 能联想和记忆的Hopfield神经网络【】第05课 模拟退火算法与Boltzmann机【】第06课 ?受限Boltzmann机RBM与应用RBM进行协同 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。

深度学习作为一个新的机器学习方向，被应用到计算机视觉领域上成效显著.为了解决分布式的尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）算法效率低和图像特征提取粗糙问题，提出一种基于深度学习的SIFT图像检索算法.算法思想：在Spark平台上，利用深度卷积神经网络（Convolutional Neural Network，CNN）模型进行SIFT特征抽取，再利用支持向量机（Support Vector Machine，SVM）对图像库进行无监督聚类，然后再利用自适应的图像特征度量来对检索结果进行重排序，以改善用户体验.在Corel图像集上的实验结果显示，与传统SIFT算法相比，基于深度学习的SIFT图像检索算法的查准率和查全率大约提升了30个百分点，检索效率得到了提高，检索结果图像排序也得到了优化.

输出函数分析 应该将net的值尽量控制在收敛比较快的范围内 可以用其它的函数作为激活函数，只要该函数是处处可导的   0.5 f ′(net) 0.25 o 0 1 1 （0,0.5）  net （0,0） o

【《神经网络与深度学习》课程练习(TensorFlow)】’Neural Network and Deep Learning' 欢迎关注公众号：gbxiao992

自己的学习笔记资料整理，根据自己的考试重点来的。

自己学习整理的考试重点

对卷积神经网络进行了详细介绍，包括卷积层操作、池化层、全连接层。其中，卷积层的运算过程介绍的十分详细，有动画进行演示，还介绍了一个卷积核的多通道卷积计算和多个卷积核的多通道卷积运算过程。适合作为教学素材，用来教学，也适合自我学习，加深对卷积神经网络(CNN)的理解。

7.6 解非线性方程组的牛顿迭代法 考虑方程组 f1 ( x1 ,⋯ , xn ) = 0 , ⋯⋯⋯⋯⋯ f n ( x1 ,⋯ , xn ) = 0 . ( 6 .1) 其中 f1 , ⋯ , f n 均为 ( x1 , ⋯ , xn )的多元函数 . 若用向量记号记 x= ( x1 , ⋯ , xn ) T ∈R n , F= ( f1 ,⋯ , f n ) T , (6.1 )就可写成 F( x) = 0 . ( 6 .2) 当 n≥2 ,且 f i ( i = 1 , ⋯ , n)中至少有一个是自变量 xi ( i = 1 , ⋯ , n) 的非线性函数时 ,则称方程组 ( 6.1 )为非线性方程组 .非线性方程 ·782·7. 6 解非线性方程组的牛顿迭代法

神经网络与深度学习：概述，tensorflow，python，神经网络基础，卷积神经网络，循环神经网络，生成对抗网络，胶囊网络。

NNDL解决方案 迈克尔·尼尔森（Michael Nielsen）的书《 （以及对Python 3和Theano 1.0.3的代码的改编）中的练习和问题的解决方案（数学和代码）。 在这里找到练习和问题的解决方案： 涉及数学： notebooks 涉及代码：以code实现，在notebooks讨论 带有指向nbviewer的链接： 去做 到目前为止，我已经为所有练习和问题提供了解决方案，除了： 第3章p8，p9 第4章p1（c） 第6章p5，p7（theano部分） 贡献 我可能犯了错误，或者提供了不完整或次优的解决方案。 还有一些我还没有解决的问题。 因此，非常欢迎直接进行改进或提出任何建议！