第1页 / 共741页
第2页 / 共741页
第3页 / 共741页
第4页 / 共741页
第5页 / 共741页
第6页 / 共741页
第7页 / 共741页
第8页 / 共741页
Deeplearning深度学习笔记v5.54.docx
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)
第一周：深度学习引言(Introduction to Deep Learning)
1.1 欢迎(Welcome)
1.2 什么是神经网络？(What is a Neural Network)
1.3 神经网络的监督学习(Supervised Learning with Neural Netw
1.4 为什么深度学习会兴起？(Why is Deep Learning taking off?)
1.5 关于这门课(About this Course)
1.6 课程资源(Course Resources)
第二周：神经网络的编程基础(Basics of Neural Network programming
2.1 二分类(Binary Classification)
2.2 逻辑回归(Logistic Regression)
2.3 逻辑回归的代价函数（Logistic Regression Cost Function）
2.4 梯度下降法（Gradient Descent）
2.5 导数（Derivatives）
2.6 更多的导数例子（More Derivative Examples）
2.7 计算图（Computation Graph）
2.8 使用计算图求导数（Derivatives with a Computation Graph）
2.9 逻辑回归中的梯度下降（Logistic Regression Gradient Descen
2.10 m 个样本的梯度下降(Gradient Descent on m Examples)
2.11 向量化(Vectorization)
2.12 向量化的更多例子（More Examples of Vectorization）
2.13 向量化逻辑回归(Vectorizing Logistic Regression)
2.14 向量化 logistic 回归的梯度输出（Vectorizing Logistic Reg
2.15 Python 中的广播（Broadcasting in Python）
2.16 关于 python _ numpy 向量的说明（A note on python or n
2.17 Jupyter/iPython Notebooks快速入门（Quick tour of J
2.18 （选修）logistic 损失函数的解释（Explanation of logistic
第三周：浅层神经网络(Shallow neural networks)
3.1 神经网络概述（Neural Network Overview）
3.2 神经网络的表示（Neural Network Representation）
3.3 计算一个神经网络的输出（Computing a Neural Network's outpu
3.4 多样本向量化（Vectorizing across multiple examples）
3.5 向量化实现的解释（Justification for vectorized implemen
3.6 激活函数（Activation functions）
3.7 为什么需要非线性激活函数？（why need a nonlinear activation
3.8 激活函数的导数（Derivatives of activation functions）
3.9 神经网络的梯度下降（Gradient descent for neural networks
3.10（选修）直观理解反向传播（Backpropagation intuition）
3.11 随机初始化（Random+Initialization）
第四周：深层神经网络(Deep Neural Networks)
4.1 深层神经网络（Deep L-layer neural network）
4.2 前向传播和反向传播（Forward and backward propagation）
4.3 深层网络中的前向传播（Forward propagation in a Deep Netwo
4.4 核对矩阵的维数（Getting your matrix dimensions right）
4.5 为什么使用深层表示？（Why deep representations?）
4.6 搭建神经网络块（Building blocks of deep neural network
4.7 参数VS超参数（Parameters vs Hyperparameters）
4.8 深度学习和大脑的关联性（What does this have to do with the
第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural
第一周：深度学习的实践层面(Practical aspects of Deep Learning)
1.1 训练，验证，测试集（Train / Dev / Test sets）
1.2 偏差，方差（Bias /Variance）
1.3 机器学习基础（Basic Recipe for Machine Learning）
1.4 正则化（Regularization）
1.5 为什么正则化有利于预防过拟合呢？（Why regularization reduces ov
1.6 dropout 正则化（Dropout Regularization）
1.7 理解 dropout（Understanding Dropout）
1.8 其他正则化方法（Other regularization methods）
1.9 归一化输入（Normalizing inputs）
1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）
1.11 神经网络的权重初始化（Weight Initialization for Deep Net
1.12 梯度的数值逼近（Numerical approximation of gradients）
1.13 梯度检验（Gradient checking）
1.14 梯度检验应用的注意事项（Gradient Checking Implementation
第二周：优化算法 (Optimization algorithms)
2.1 Mini-batch 梯度下降（Mini-batch gradient descent）
2.2 理解mini-batch梯度下降法（Understanding mini-batch gra
2.3 指数加权平均数（Exponentially weighted averages）
2.4 理解指数加权平均数（Understanding exponentially weighted
2.5 指数加权平均的偏差修正（Bias correction in exponentially w
2.6 动量梯度下降法（Gradient descent with Momentum）
2.7 RMSprop
2.8 Adam 优化算法(Adam optimization algorithm)
2.9 学习率衰减(Learning rate decay)
2.10 局部最优的问题(The problem of local optima)
第三周 超参数调试、Batch正则化和程序框架（Hyperparameter tuning）
3.1 调试处理（Tuning process）
3.2 为超参数选择合适的范围（Using an appropriate scale to pick
3.3 超参数调试实践：Pandas VS Caviar（Hyperparameters tunin
3.4 归一化网络的激活函数（Normalizing activations in a networ
3.5 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a
3.6 Batch Norm 为什么奏效？（Why does Batch Norm work?）
3.7 测试时的 Batch Norm（Batch Norm at test time）
3.8 Softmax 回归（Softmax regression）
3.9 训练一个 Softmax 分类器（Training a Softmax classifier
3.10 深度学习框架（Deep Learning frameworks）
3.11 TensorFlow
第三门课 结构化机器学习项目（Structuring Machine Learning Projec
第一周 机器学习（ML）策略（1）（ML strategy（1））
1.1 为什么是ML策略？（Why ML Strategy?）
1.2 正交化（Orthogonalization）
1.3 单一数字评估指标（Single number evaluation metric）
1.4 满足和优化指标（Satisficing and optimizing metrics）
1.5 训练/开发/测试集划分（Train/dev/test distributions）
1.6 开发集和测试集的大小（Size of dev and test sets）
1.7 什么时候该改变开发/测试集和指标？（When to change dev/test sets
1.8 为什么是人的表现？（Why human-level performance?）
1.9 可避免偏差（Avoidable bias）
1.10 理解人的表现（Understanding human-level performance）
1.11 超过人的表现（Surpassing human- level performance）
1.12 改善你的模型的表现（Improving your model performance）
第二周：机器学习策略（2）(ML Strategy (2))
2.1 进行误差分析（Carrying out error analysis）
2.2 清除标注错误的数据（Cleaning up Incorrectly labeled data
2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quic
2.4 使用来自不同分布的数据进行训练和测试（Training and testing on dif
2.5 数据分布不匹配时的偏差与方差的分析（Bias and Variance with misma
2.6 处理数据不匹配问题（Addressing data mismatch）
2.7 迁移学习（Transfer learning）
2.8 多任务学习（Multi-task learning）
2.9 什么是端到端的深度学习？（What is end-to-end deep learning?
2.10 是否要使用端到端的深度学习？（Whether to use end-to-end lear
第四门课 卷积神经网络（Convolutional Neural Networks）
第一周 卷积神经网络（Foundations of Convolutional Neural Net
1.1 计算机视觉（Computer vision）
1.2 边缘检测示例（Edge detection example）
1.3 更多边缘检测内容（More edge detection）
1.4 Padding
1.5 卷积步长（Strided convolutions）
1.6 三维卷积（Convolutions over volumes）
1.7 单层卷积网络（One layer of a convolutional network）
1.8 简单卷积网络示例（A simple convolution network example）
1.9 池化层（Pooling layers）
1.10 卷积神经网络示例（Convolutional neural network example
1.11 为什么使用卷积？（Why convolutions?）
第二周 深度卷积网络：实例探究（Deep convolutional models: case st
2.1 为什么要进行实例探究？（Why look at case studies?）
2.2 经典网络（Classic networks）
2.3 残差网络(ResNets)(Residual Networks (ResNets))
2.4 残差网络为什么有用？（Why ResNets work?）
2.5 网络中的网络以及 1×1 卷积（Network in Network and 1×1 con
2.6 谷歌 Inception 网络简介（Inception network motivation
2.7 Inception 网络（Inception network）
2.8 使用开源的实现方案（Using open-source implementations）
2.9 迁移学习（Transfer Learning）
2.10 数据增强（Data augmentation）
2.11 计算机视觉现状（The state of computer vision）
第三周 目标检测（Object detection）
3.1 目标定位（Object localization）
3.2 特征点检测（Landmark detection）
3.3 目标检测（Object detection）
3.4滑动窗口的卷积实现（Convolutional implementation of slidi
3.5 Bounding Box预测（Bounding box predictions）
3.6 交并比（Intersection over union）
3.7 非极大值抑制（Non-max suppression）
3.8 Anchor Boxes
3.9 YOLO 算法（Putting it together: YOLO algorithm）
3.10 候选区域（选修）（Region proposals (Optional)）
第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face re
4.1 什么是人脸识别？（What is face recognition?）
4.2 One-Shot学习（One-shot learning）
4.3 Siamese 网络（Siamese network）
4.4 Triplet 损失（Triplet 损失）
4.5 人脸验证与二分类（Face verification and binary classifi
4.6 什么是神经风格迁移？（What is neural style transfer?）
4.7深度卷积网络学习什么？（What are deep ConvNets learning?）
4.8 代价函数（Cost function）
4.9 内容代价函数（Content cost function）
4.10 风格代价函数（Style cost function）
4.11 一维到三维推广（1D and 3D generalizations of models）
第五门课 序列模型(Sequence Models)
第一周 循环序列模型（Recurrent Neural Networks）
1.1 为什么选择序列模型？（Why Sequence Models?）
1.2 数学符号（Notation）
1.3 循环神经网络模型（Recurrent Neural Network Model）
1.4 通过时间的反向传播（Backpropagation through time）
1.5 不同类型的循环神经网络（Different types of RNNs）
1.6 语言模型和序列生成（Language model and sequence generati
1.7 对新序列采样（Sampling novel sequences）
1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）
1.9 GRU单元（Gated Recurrent Unit（GRU））
1.10 长短期记忆（LSTM（long short term memory）unit）
1.11 双向循环神经网络（Bidirectional RNN）
1.12 深层循环神经网络（Deep RNNs）
第二周 自然语言处理与词嵌入（Natural Language Processing and Wor
2.1 词汇表征（Word Representation）
2.2 使用词嵌入（Using Word Embeddings）
2.3 词嵌入的特性（Properties of Word Embeddings）
2.4 嵌入矩阵（Embedding Matrix）
2.5 学习词嵌入（Learning Word Embeddings）
2.6 Word2Vec
2.7 负采样（Negative Sampling）
2.8 GloVe 词向量（GloVe Word Vectors）
2.9 情感分类（Sentiment Classification）
2.10 词嵌入除偏（Debiasing Word Embeddings）
第三周 序列模型和注意力机制（Sequence models & Attention mechani
3.1 序列结构的各种序列（Various sequence to sequence archite
3.2 选择最可能的句子（Picking the most likely sentence）
3.3 集束搜索（Beam Search）
3.4 改进集束搜索（Refinements to Beam Search）
3.5 集束搜索的误差分析（Error analysis in beam search）
3.6 Bleu 得分（选修）（Bleu Score (optional)）
3.7 注意力模型直观理解（Attention Model Intuition）
3.8 注意力模型（Attention Model）
3.9 语音识别（Speech recognition）
3.10 触发字检测（Trigger Word Detection）
3.11 结论和致谢（Conclusion and thank you）
附件
榜样的力量-吴恩达采访人工智能大师实录
吴恩达采访 Geoffery Hinton
吴恩达采访 Ian Goodfellow
吴恩达采访 Ruslan Salakhutdinov
吴恩达采访 Yoshua Bengio
吴恩达采访 林元庆
吴恩达采访 Pieter Abbeel
吴恩达采访 Andrej Karpathy
深度学习符号指南（原课程翻译）
正向传播方程示例
通用激活公式
损失函数
深度学习图示
机器学习的数学基础
高等数学
线性代数
行列式
矩阵
向量
线性方程组
矩阵的特征值和特征向量
二次型
概率论和数理统计
随机事件和概率
随机变量及其概率分布
多维随机变量及其分布
随机变量的数字特征
数理统计的基本概念
DeepLearning.ai
深度学习课程笔记（V5.54）
你不是一个人在战斗！
摘要
本文档是针对吴恩达老师深度学习课程(deeplearning.ai)
视频做的笔记
主编：黄海广
haiguang2000@qq.com
机器学习爱好者 qq 群：
654173748
www.ai-start.com
最后修改：2018-09-05
Coursera 深度学习教程中文笔记
课程概述
这些课程专为已有一定基础（基本的编程知识，熟悉 Python、对机器学习有基本了解），
想要尝试进入人工智能领域的计算机专业人士准备。介绍显示：“深度学习是科技业最热门
的技能之一，本课程将帮你掌握深度学习。”
在这 5 堂课中，学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴
恩 达 本 人 在 内 的 多 位 业 界 顶 尖 专 家 指 导 下 创 建 自 己 的 机 器 学 习 项 目 。Deep Learning
Specialization 对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学
习常用的网络结构、工具和知识都有涉及。
课程中也会有很多实操项目，帮助学生更好地应用自己学到的深度学习技术，解决真实
世界问题。这些项目将涵盖医疗、自动驾驶、和自然语言处理等时髦领域，以及音乐生成等
等。Coursera 上有一些特定方向和知识的资料，但一直没有比较全面、深入浅出的深度学习
课程——《深度学习专业》的推出补上了这一空缺。
课程的语言是 Python，使用的框架是 Google 开源的 TensorFlow。最吸引人之处在于，
课程导师就是吴恩达本人，两名助教均来自斯坦福计算机系。完成课程所需时间根据不同的
学 习进 度， 大约 需 要 3-4 个 月左 右。 学生 结 课后 ，Coursera 将 授予 他们 Deep Learning
Specialization 结业证书。
“我们将帮助你掌握深度学习，理解如何应用深度学习，在人工智能业界开启你的职业
生涯。”吴恩达在课程页面中提到。
本人黄海广博士，以前写过吴恩达老师的机器学习个人笔记。有朋友报名了课程，下载
了这次课程的视频给大家分享。Coursera 的字幕不全，同学们在学习上感觉非常不方便，因
此我找志同道合的朋友翻译和整理字幕，中英文字幕来自于由我和曹骁威同学组织爱好者翻
译，希望对大家有所帮助。（备注：自网易公开课翻译深度学习课程后，我们不再翻译）
目前我正在组织团队整理中文笔记，由热心的朋友无偿帮忙制作整理，并持续更新。我
们的团队的劳动致力于 AI 在国内的推广，不会损害 Coursera 以及吴恩达老师的商业利益。
本人水平有限，如有公式、算法错误，请及时指出，发邮件给我，也可以加我 qq。
黄海广
2017-08-15
吴恩达的公开信
朋友们，
我在做三个全新的 AI 项目。现在，我十分兴奋地宣布其中的第一个：deeplearning.ai，
一个立志于扩散 AI 知识的项目。该项目在 Coursera 上发布了一系列深度学习课程，这些
课程将帮助你掌握深度学习、对它高效地应用，并打造属于你自己的 AI 事业。
AI 是新一轮电力革命
就像一百年前电力改造了每个主流行业，当今的 AI 技术在做着相同的事。好几个大型
科技公司都设立了 AI 部门，用 AI 革新他们的业务。接下来的几年里，各个行业、规模大
小各不相同的公司也都会意识到-----在由 AI 驱动的未来，他们必须成为其中的一份子。
创建由 AI 驱动的社会
我希望，我们可以建立一个由 AI 驱动的社会：让每个人看得起病，给每个孩子个性化
的教育，让所有人都能坐上价格亲民的自动驾驶汽车，并向男人和女人提供有意义的工作。
总而言之，是一个让每个人的生活变得更好的社会。
但是，任何一个公司都不可能单独完成这些任务。就像现在每一个计算机专业的毕业生
都知道怎么用云，将来，每个程序员也必须懂得怎么用 AI。用深度学习改善人类生活的方
法有数百万种，社会也需要数百万个人----即来自世界各国的你们，来创造出了不起的 AI 系
统。不管你是加州的一个软件工程师，一名中国的研究员，还是印度的 ML 工程师，我希
望都能用深度学习来解决世界上的各种挑战。
你会学到什么
任何一个掌握了机器学习基础知识的人，都可以学习这五门系列课程，它们组成了
Coursera 的全新深度学习专业。
你会学到深度学习的基础，理解如何创建神经网络，学习怎么成功地领导机器学习项目。
你会学习卷积神经网络、 RNNs、LSTM、Adam、Dropout、BatchNorm、Xavier/He initialization
以及更多。学习过程中，你会接触到医疗、自动驾驶、读手语、音乐生成、自然语言处理的
案例。
你不仅会掌握深度学习理论，还会看到它是怎样在行业应用落地的。你会在 Python 和
TensorFlow 里试验这些想法，你还会听到各位深度学习领袖人物的意见，他们会分享各自
的学习经历，并提供职业规划建议。
当你拿到 Coursera 的深度学习专业证书，就可以自信得把“深度学习”四个字写进你
的简历。
加入我，建立一个由 AI 驱动的社会
从 2011 年到现在，已经有 180 万人加入了我的机器学习课程。当时，我和四名斯坦
福的学生发布了这门课程，它随即成为了 Coursera 的第一门公开课。那之后，我受到你们
之中许多人的启发----当我看到你们是如何努力地理解机器学习，开发优秀的 AI 系统，并
开启令人惊艳的事业。
我希望深度学习专业能帮助你们实现更了不起的事，让你们为社会贡献更多，在职业道
路上走得更远。
我希望大家和我一道，建立一个由 AI 驱动的社会。
我会通知大家另外两个项目的进展，并不断探索，为全世界 AI 社区的每一个人提供更
多支持的途径。
Sincerely，
吴恩达
吴恩达与 deeplearning.ai 团队
文档修改历史
版本号
版本日期
修改总结
修订人
1.0
1.1
1.2
1.3
1.4
1.5
3.0
3.1
3.2
4.0
4.1
5.0
5.1
5.2
5.3
5.4
5.5
2017.8.15 创建初稿
2017.8.18 完成第一章
2017.8.28 完成第二章
2017.9.11 完成第三章
2017.9.11 完成第四章，第一门课已完成
2017.10.09 完成第二、三门课初稿
2017.10.11 完成第二、三门课初稿
2017.10.19 第二、三门课补充
2017.11.11 增加人工智能大师访谈
2017.11.22 第四门课更新
2017.11.24 完成第四门课初稿
2017.12.10 完成前四课，并补充前三课
2017.12.20 笔记更名为 DeepLearning.ai 深度学习课程笔记
2018.03.23 前五课修改完成第一、二周
2018.04.10 全部初稿完成
2018.04.19 更新数学基础知识
2018.08.25 修改部分翻译错误
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
黄海广
主要编写
人员：
黄海广、林兴木（第四所有底稿，第五课第一二周，第三周前三节）、祝
彦森:（第三课所有底稿）、贺志尧（第五课第三周底稿）、王翔、胡瀚
文、 余笑）、 郑浩、李怀松、 朱越鹏、陈伟贺、 曹越、 路皓翔、邱
牧宸、 唐天泽、 张浩、 陈志豪、 游忍、 泽霖、沈伟臣、 贾红顺、 时
超、 陈哲、赵一帆、 胡潇杨、段希、于冲、张鑫倩
主要编辑
人员：
黄海广、陈康凯、石晴路、钟博彦、向伟、严凤龙、刘成 、贺志尧、段
希、陈瑶、林家泳、王翔、 谢士晨、蒋鹏
视频教程地址：https://mooc.study.163.com/university/deeplearning_ai#/c
笔记公布网站：https://github.com/fengdu78/deeplearning_ai_books
http://www.ai-start.com
微信公众号：机器学习初学者
目录
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)........................................ 1
第一周：深度学习引言(Introduction to Deep Learning)........................................................ 1
1.1 欢迎(Welcome)........................................................................................................... 1
1.2 什么是神经网络？(What is a Neural Network)........................................................ 4
1.3 神经网络的监督学习(Supervised Learning with Neural Networks).........................7
1.4 为什么深度学习会兴起？(Why is Deep Learning taking off?)...............................11
1.5 关于这门课(About this Course)............................................................................... 15
1.6 课程资源(Course Resources)....................................................................................16
第二周：神经网络的编程基础(Basics of Neural Network programming)........................... 17
2.1 二分类(Binary Classification)....................................................................................17
2.2 逻辑回归(Logistic Regression)..................................................................................21
2.3 逻辑回归的代价函数（Logistic Regression Cost Function）.................................23
2.4 梯度下降法（Gradient Descent） .......................................................................... 25
2.5 导数（Derivatives）.................................................................................................29
2.6 更多的导数例子（More Derivative Examples） ....................................................31
2.7 计算图（Computation Graph） ...............................................................................34
2.8 使用计算图求导数（Derivatives with a Computation Graph）............................ 35
2.9 逻辑回归中的梯度下降（Logistic Regression Gradient Descent）.......................41
2.10 m 个样本的梯度下降(Gradient Descent on m Examples) .................................... 44
2.11 向量化(Vectorization).............................................................................................47
2.12 向量化的更多例子（More Examples of Vectorization）.....................................51
2.13 向量化逻辑回归(Vectorizing Logistic Regression).................................................54
2.14 向量化 logistic 回归的梯度输出（Vectorizing Logistic Regression's Gradient）
.......................................................................................................................................... 57
2.15 Python 中的广播（Broadcasting in Python）.......................................................60
2.16 关于 python _ numpy 向量的说明（A note on python or numpy vectors）参考
视频：.............................................................................................................................. 64
2.17 Jupyter/iPython Notebooks 快速入门（Quick tour of Jupyter/iPython Notebooks）
.......................................................................................................................................... 68
2.18（选修）logistic 损失函数的解释（Explanation of logistic regression cost function）
.......................................................................................................................................... 72
第三周：浅层神经网络(Shallow neural networks)............................................................... 76
3.1 神经网络概述（Neural Network Overview）........................................................ 76
3.2 神经网络的表示（Neural Network Representation）...........................................79
3.3 计算一个神经网络的输出（Computing a Neural Network's output）................ 82
3.4 多样本向量化（Vectorizing across multiple examples）.......................................85
3.5 向量化实现的解释（Justification for vectorized implementation） .....................88
3.6 激活函数（Activation functions）.......................................................................... 90
3.7 为什么需要非线性激活函数？（why need a nonlinear activation function?） ..93
3.8 激活函数的导数（Derivatives of activation functions）....................................... 95
3.9 神经网络的梯度下降（Gradient descent for neural networks）..........................97
I
3.10（选修）直观理解反向传播（Backpropagation intuition）................................ 99
3.11 随机初始化（Random+Initialization）...............................................................101
第四周：深层神经网络(Deep Neural Networks)................................................................ 103
4.1 深层神经网络（Deep L-layer neural network）.................................................. 103
4.2 前向传播和反向传播（Forward and backward propagation）.......................... 105
4.3 深层网络中的前向传播（Forward propagation in a Deep Network）...............108
4.4 核对矩阵的维数（Getting your matrix dimensions right）.................................109
4.5 为什么使用深层表示？（Why deep representations?） ................................... 111
4.6 搭建神经网络块（Building blocks of deep neural networks） ........................... 115
4.7 参数 VS 超参数（Parameters vs Hyperparameters）.......................................... 118
4.8 深度学习和大脑的关联性（What does this have to do with the brain?）........121
第 二 门 课 改 善 深 层 神 经 网 络 ： 超 参 数 调 试 、 正 则 化 以 及 优 化(Improving Deep Neural
Networks:Hyperparameter tuning, Regularization and Optimization)......................................... 123
第一周：深度学习的实践层面(Practical aspects of Deep Learning)................................. 123
1.1 训练，验证，测试集（Train / Dev / Test sets）..................................................123
1.2 偏差，方差（Bias /Variance） ..............................................................................128
1.3 机器学习基础（Basic Recipe for Machine Learning）.........................................133
1.4 正则化（Regularization）......................................................................................135
1.5 为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）
........................................................................................................................................ 139
1.6 dropout 正则化（Dropout Regularization）.........................................................143
1.7 理解 dropout（Understanding Dropout）...........................................................147
1.8 其他正则化方法（Other regularization methods）............................................ 150
1.9 归一化输入（Normalizing inputs） ......................................................................154
1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）..................................158
1.11 神经网络的权重初始化（Weight Initialization for Deep Networks） .............. 160
1.12 梯度的数值逼近（Numerical approximation of gradients）.............................163
1.13 梯度检验（Gradient checking） ......................................................................... 165
1.14 梯度检验应用的注意事项（Gradient Checking Implementation Notes）.......168
第二周：优化算法 (Optimization algorithms) ....................................................................170
2.1 Mini-batch 梯度下降（Mini-batch gradient descent）........................................170
2.2 理解 mini-batch 梯度下降法（Understanding mini-batch gradient descent） .. 175
2.3 指数加权平均数（Exponentially weighted averages） ....................................... 179
2.4 理解指数加权平均数（Understanding exponentially weighted averages）...... 183
2.5 指数加权平均的偏差修正（Bias correction in exponentially weighted averages）
........................................................................................................................................ 188
2.6 动量梯度下降法（Gradient descent with Momentum）....................................190
2.7 RMSprop...................................................................................................................194
2.8 Adam 优化算法(Adam optimization algorithm)....................................................197
2.9 学习率衰减(Learning rate decay)...........................................................................200
2.10 局部最优的问题(The problem of local optima).................................................. 203
第三周 超参数调试、Batch 正则化和程序框架（Hyperparameter tuning）.................206
3.1 调试处理（Tuning process） .................................................................................206
3.2 为超参数选择合适的范围（Using an appropriate scale to pick hyperparameters）
II
........................................................................................................................................ 210
3.3 超参数调试实践：Pandas VS Caviar（Hyperparameters tuning in practice: Pandas vs.
Caviar）.......................................................................................................................... 214
3.4 归一化网络的激活函数（Normalizing activations in a network）.....................218
3.5 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a neural network）
........................................................................................................................................ 222
3.6 Batch Norm 为什么奏效？（Why does Batch Norm work?）.............................227
3.7 测试时的 Batch Norm（Batch Norm at test time）............................................ 232
3.8 Softmax 回归（Softmax regression）................................................................... 234
3.9 训练一个 Softmax 分类器（Training a Softmax classifier）..............................239
3.10 深度学习框架（Deep Learning frameworks） ...................................................244
3.11 TensorFlow ..............................................................................................................246
第三门课 结构化机器学习项目（Structuring Machine Learning Projects）........................... 253
第一周 机器学习（ML）策略（1）（ML strategy（1）） ............................................. 253
1.1 为什么是 ML 策略？（Why ML Strategy?）........................................................253
1.2 正交化（Orthogonalization）............................................................................... 255
1.3 单一数字评估指标（Single number evaluation metric）................................... 259
1.4 满足和优化指标（Satisficing and optimizing metrics）...................................... 263
1.5 训练/开发/测试集划分（Train/dev/test distributions）.....................................266
1.6 开发集和测试集的大小（Size of dev and test sets）..........................................270
1.7 什 么 时 候 该 改 变 开 发/ 测 试 集 和 指 标 ？ （When to change dev/test sets and
metrics）........................................................................................................................272
1.8 为什么是人的表现？（Why human-level performance?）................................277
1.9 可避免偏差（Avoidable bias） ............................................................................. 279
1.10 理解人的表现（Understanding human-level performance）........................... 282
1.11 超过人的表现（Surpassing human- level performance） .................................287
1.12 改善你的模型的表现（Improving your model performance）........................ 290
第二周：机器学习策略（2）(ML Strategy (2)).................................................................. 292
2.1 进行误差分析（Carrying out error analysis） ......................................................292
2.2 清除标注错误的数据（Cleaning up Incorrectly labeled data）..........................296
2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then
iterate） ......................................................................................................................... 301
2.4 使用来自不同分布的数据进行训练和测试（Training and testing on different
distributions）................................................................................................................304
2.5 数据分布不匹配时的偏差与方差的分析（Bias and Variance with mismatched
data distributions）....................................................................................................... 309
2.6 处理数据不匹配问题（Addressing data mismatch）..........................................316
2.7 迁移学习（Transfer learning）............................................................................. 320
2.8 多任务学习（Multi-task learning）......................................................................324
2.9 什么是端到端的深度学习？（What is end-to-end deep learning?） ................330
2.10 是否要使用端到端的深度学习？（Whether to use end-to-end learning?）. 336
第四门课 卷积神经网络（Convolutional Neural Networks）...................................................340
第一周 卷积神经网络（Foundations of Convolutional Neural Networks）..................... 340
1.1 计算机视觉（Computer vision）..........................................................................340
III
相关推荐
2023年江西萍乡中考道德与法治真题及答案.doc
2012年重庆南川中考生物真题及答案.doc
2013年江西师范大学地理学综合及文艺理论基础考研真题.doc
2020年四川甘孜小升初语文真题及答案I卷.doc
2020年注册岩土工程师专业基础考试真题及答案.doc
2023-2024学年福建省厦门市九年级上学期数学月考试题及答案.doc
2021-2022学年辽宁省沈阳市大东区九年级上学期语文期末试题及答案.doc
2022-2023学年北京东城区初三第一学期物理期末试卷及答案.doc
2018上半年江西教师资格初中地理学科知识与教学能力真题及答案.doc
2012年河北国家公务员申论考试真题及答案-省级.doc
2020-2021学年江苏省扬州市江都区邵樊片九年级上学期数学第一次质量检测试题及答案.doc
2022下半年黑龙江教师资格证中学综合素质真题及答案.doc
