機器學習編程：從編碼到深度學習

2022年6月28日，看完了這本燒腦的書，相當有成就感。也就研究生階段懵懵懂懂的接觸過卷積網絡的概念，這次是我自己推開門，進來看一看，給自己點個贊。人生，就是在某個階段，去接觸些新知識，這些知識，就是所謂的人類的智慧，多美好呀！ 一些重要概念： 機器學習（向計算機提供數據，並要求它自己想出需要什麼；監督學習，強化學習和非監督學習；Python），圖像識別，感知機（梯度），監督學習；神經網絡（正向傳播和反向傳播）；深度學習（過度擬合和正則化，視覺CNN卷積（抓住特徵平移不變性），語言RNN（記憶，循環往回），圖像生成GAN）

適合初學者，挺好的書，簡單易讀，數學公式不多。比如bp算法部分沒有講完整的算法，而是以例子講原理。如果有時間動手做一遍代碼實驗，可以留下更深刻印象。

總體還可以。但作者冗長囉嗦的敘述方式產生了大量無效信息，閱讀它你會浪費大量時間0

現在輪到你了。你的任務是提高這個網絡模型的準確率，但必須同時滿足以下兩個約束條件： ·不要改變網絡模型的佈局。保持層數和每層的節點數不變。 ·不要更改曆元的數量和批處理的大小，讓它們分別保持在10和32。 在其他方面，你可以進行隨心所欲的操作。你可以使用我們在本章中介紹的技巧，甚至可以探索新的技巧——激活函數、優化算法，或者是通過瀏覽Keras文檔瞭解到的任何其他內容[1]。 下面我有幾點建議： ·將S型函數改爲ReLU或Leaky ReLU。 ·將隨機梯度下降算法替換爲另一個梯度下降算法。 ·添加dropout操作。 ·添加批處理標準化操作。 如果你的網絡模型在驗證集上獲得了超過97%的準確率，那麼你就贏得了這個挑戰。 雖然我很確定你可以達到97%的準確率，但是如果你能夠做得更好，我還是會感到很驚訝的。我們在本章中介紹的技術是必不可少的，但它們也有自己的侷限性。爲了得到更好的結果，我們不僅需要增量式技巧，還需要一個完全不同的神經網絡結構。這正是下一章的主題。

沒有深入淺出，基本都是講一講概念。

不是很好，看完感覺也沒什麼內容