随着Diffusion Model的普及，AI绘画只需要你输入文本描述，模型就能在几分钟内生成精准匹配的精美图像。本文从使用步骤、费用和商用等角度对3个主流平台进行比较：DALL·E2、Midjourney、Stable Diffusion。
本篇内容是组织的「深度学习原理知识大全」系列教程入口，教程依托吴恩达老师《深度学习专项课程》，对内容做了重新梳理与制作，以更全面和直观的图文方式，对深度学习涉及的知识、模型、原理、应用领域等进行详解
本篇介绍自然语言处理中关于序列模型的高级知识，包括Sequence to sequence序列到序列模型和注意力机制。
本节介绍自然语言处理的文本表示与词嵌入相关知识，包括：词嵌入与迁移学习/类比推理，词嵌入学习方法，神经概率语言模型，word2vec(skip-gram与CBOW)，GloVe，情感分析，词嵌入消除偏见
本节介绍介绍循环神经网络(RNN)的重要知识，包括：循环神经网络RNN，语言模型，采样生成序列，RNN梯度消失与梯度爆炸，GRU(门控循环单元)，LSTM(长短期记忆)，双向与深度RNN等
本节介绍计算机视觉中其他应用，包括：人脸识别、Siamese网络、三元组损失Triplet loss、人脸验证、CNN表征、神经网络风格迁移、1D与3D卷积。
本节介绍目标检测，是计算机视觉中最典型的应用之一，主要内容包括：目标定位，特征点检测，目标检测，边框预测，非极大值抑制，YOLO，RCNN等。
本节展开介绍典型的CNN结构（LeNet-5、AlexNet、VGG），以及 ResNet(Residual Network，残差网络)，Inception Neural Network，1x1卷积，迁移学习，数据扩增和手工工程与计算机现状等知识点
本节介绍卷积神经网络，覆盖以下内容要点：卷积计算、填充，卷积神经网络单层结构，池化层结构，卷积神经网络典型结构，CNN特点与优势。
本节覆盖构建机器学习项目的后半部分内容，包括：错误分析(error analysis)，错误标签情况及修正，数据分布和数据不匹配问题及解决办法，迁移学习，多任务学习，端到端学习。
本节覆盖机器学习中的一些策略和方法，让我们能够更快更有效地让机器学习系统工作，内容包括：正交化方法，建立单值评价指标，数据集划分要点，人类水平误差与可避免偏差，提高机器学习模型性能总结等。
本节介绍超参数调试、批归一化和深度学习编程框架三个部分，内容包括：超参数优先级与调参技巧，超参数的合适范围确定，Batch Normalization，softmax回归，深度学习框架等。
本节介绍深度神经网络中的一些优化算法，使用这些技巧和方法来提高神经网络的训练速度和精度：mini-batch，随机梯度下降，指数加权平均，动量梯度下降、RMSprop和Adam算法，学习率衰减法等
本篇讲解如何优化神经网络模型，包括Train / Dev / Test sets的切分和比例选择，Bias和Variance的相关知识，防止过拟合的方法，规范化输入以加快梯度下降速度和精度，梯度消失和梯度爆炸的原因及处理方法，梯度检查。
本节讨论深层神经网络，包括深层神经网络的结构、深层神经网络前向传播和反向传播过程、需要深层神经网络的原因、神经网络参与超参数、神经网络与人脑简单对比。
本文从浅层神经网络入手，讲解神经网络的基本结构(输入层，隐藏层和输出层)，浅层神经网络前向传播和反向传播过程，神经网络参数的梯度下降优化，不同的激活函数的优缺点及非线性的原因
本节介绍神经网络的基础——逻辑回归，通过对逻辑回归模型结构的分析，过渡到后续神经网络模型。内容包括二分类问题、逻辑回归模型及损失函数，梯度下降算法，计算图与正向传播及反向传播。
本篇为深度学习系列教程的引言，以房价预测为例，讲解神经网络(Neural Network)模型结构和基础知识，并介绍针对监督学习的几类典型神经网络：Standard NN，CNN和RNN等知识
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
