Sách Deep Learning cơ bản

Recommendations

Info

82 Chương 5. Neural networkRõ ràng là không thể dùng một đường thẳng để phân chia dữ liệu thành 2 miền. Nên khi bạn dùnggradient descent vào bài toán XOR thì bất kể bạn chạy bước 2 bao nhiêu lần hay chỉnh learning_ratethế nào thì vẫn không ra được kết quả như mong muốn. Logistic regression như bài trước không thểgiải quyết được vấn đề này, giờ cần một giải pháp mới !!!Áp dụng các kiến thức về bit ở trên lại, ta có:A B A XOR B A AND B NOT (A AND B) A OR B (NOT(A AND B) AND (A OR B))0 0 0 0 1 0 00 1 1 0 1 1 11 0 1 0 1 1 11 1 0 1 0 1 0Do đó: A XOR B = (NOT(A AND B) AND (A OR B)), vậy để tính được XOR ta kết hợp NOT(AND)và OR sau đó tính phép tính AND.
5.5 Bài tập 83Hình 5.12: Mô hình XORNhìn có vẻ rối nhỉ, cùng phân tích nhé:• node NOT(x 1 AND x 2 ) chính là từ hình 5.10, với 3 mũi tên chỉ đến từ 1,x 1 ,x 2 với hệ sốw 0 ,w 1 ,w 2 tương ứng là 1.5, -1, -1.• node tính x 1 OR x 2 là từ hình 5.11• node trong output layer là phép tính AND từ 2 node của layer trước, giá trị hệ số từ hình 1mang xuống.Nhận xét: mô hình logistic regression không giải quyết được bài toán XOR nhưng mô hình mới thìgiải quyết được bài toán XOR. Đâu là sự khác nhau:• Logistic regression chỉ có input layer và output layer• Mô hình mới có 1 hidden layer có 2 node ở giữa input layer và output layer.=> Càng nhiều layer và node thì càng giải quyết được các bài toán phức tạp hơn.5.5 Bài tập1. (a) Tại sao hàm activation phải non-linear? Điều gì xẩy ra nếu hàm linear activation đượcsử dụng?(b) Tính output 1 Neural Network đơn giản (2 nodes input layer, 2 nodes hidden layer, 1node output layer) với hàm activation f(x) = x + 1 cho tất cả các node, tất cả các hệ sốw = 1 và b =0.2. Tại sao cần nhiều layer và nhiều node trong 1 hidden layer?3. Code python cho mạng neural network với 1 hidden layer, sigmoid activation.
Page 2 and 3:
Copyright © 2019 Nguyễn Thanh Tu
Page 4 and 5:
4• Phần cứng phát triển: S
Page 6 and 7:
6Lời cảm ơnTrước hết tôi
Page 9 and 10:
Mục lụcIGiới thiệu1 Cài đ
Page 11 and 12:
IIINeural Network5 Neural network .
Page 13 and 14:
12 Các kỹ thuật cơ bản tron
Page 15:
IGiới thiệu1 Cài đặt môi t
Page 18 and 19:
18 Chương 1. Cài đặt môi tr
Page 20 and 21:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
30 Chương 2. Python cơ bảnt =
Page 32 and 33: 32 Chương 2. Python cơ bản2.4
Page 34 and 35: 34 Chương 2. Python cơ bản# Ph
Page 37: IIMachine learning cơ bản3 Linea
Page 40 and 41: 40 Chương 3. Linear regressionHì
Page 44 and 45: 44 Chương 3. Linear regression3.3
Page 48 and 49: 48 Chương 3. Linear regressionVí
Page 50 and 51: 50 Chương 3. Linear regressionimp
Page 53 and 54: 4. Logistic regressionBài trước
Page 55 and 56: 4.2 Xác suất 55Hình 4.2: Đư
Page 57 and 58: 4.4 Thiết lập bài toán 57=> p
Page 59 and 60: 4.5 Chain rule 59Hình 4.5: Đồ t
Page 61 and 62: 4.5 Chain rule 61Do đód(2x + 1)2d
Page 63 and 64: 4.5 Chain rule 63Từ đồ thị t
Page 65 and 66: 4.6 Quan hệ giữa phần trăm v
Page 67 and 68: 4.7 Ứng dụng 67Hình 4.9: Đư
Page 69: IIINeural Network5 Neural network .
Page 72 and 73: 72 Chương 5. Neural network5.1.1
Page 74 and 75: 74 Chương 5. Neural network5.2.2
Page 76 and 77: 76 Chương 5. Neural network5.3 Fe
Page 78 and 79: 78 Chương 5. Neural network5.4 Lo
Page 80 and 81: 80 Chương 5. Neural networkHình
Page 85 and 86: 6. BackpropagationBài trước đ
Page 87 and 88: 6.1 Bài toán XOR với neural net
Page 93 and 94: 6.3 Python code 93Thì ở bài nà
Page 95: 6.4 Bài tập 95# Dự đoándef p
Page 99 and 100: 7. Giới thiệu về xử lý ả
Page 101 and 102: 7.1 Ảnh trong máy tính 101Hình
Page 103 and 104: 7.1 Ảnh trong máy tính 103Hình
Page 105 and 106: 7.1 Ảnh trong máy tính 1057.1.4
Page 107 and 108: 7.2 Phép tính convolution 107x 13
Page 109 and 110: 7.2 Phép tính convolution 109Hìn
Page 111 and 112: 7.3 Bài tập 111Hình 7.16: Một
Page 113 and 114: 8. Convolutional neural networkBài
Page 115 and 116: 8.2 Convolutional neural network 11
Page 123: 8.4 Bài tập 1238.4 Bài tập1.
Page 126 and 127: 126 Chương 9. Giới thiệu kera
Page 132 and 133:
132 Chương 9. Giới thiệu kera
Page 135 and 136:
10. Ứng dụng CNN cho ô tô t
Page 137 and 138:
10.1 Giới thiệu mô phỏng ô
Page 139 and 140:
10.2 Bài toán ô tô tự lái 13
Page 141 and 142:
10.3 Python code 141import pandas a
Page 143:
10.5 Bài tập 143# Load model mà
Page 147 and 148:
11. Transfer learning và data augm
Page 149 and 150:
11.1 Transfer learning 149Hình 11.
Page 151 and 152:
11.1 Transfer learning 151from skle
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
11.1 Transfer learning 157# Load mo
Page 159 and 160:
11.2 Data augmentation 159Hình 11.
Page 161 and 162:
11.2 Data augmentation 161Hình 11.
Page 163 and 164:
12. Các kỹ thuật cơ bản tro
Page 165 and 166:
12.2 Mini-batch gradient descent 16
Page 167 and 168:
12.3 Bias và variance 16712.3 Bias
Page 169 and 170:
12.4 Dropout 169• Dùng regulariz
Page 171 and 172:
12.5 Activation function 171Hình 1
Page 173 and 174:
12.5 Activation function 173Tanh ac
Page 175:
VIComputer Vision Task13 Object det
Page 178 and 179:
178 Chương 13. Object detection v
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 189 and 190:
14. Image segmentation với U-Net1
Page 191 and 192:
14.1 Bài toán image segmentation
Page 193 and 194:
14.2 Mạng U-Net với bài toán
Page 195 and 196:
14.2 Mạng U-Net với bài toán
Page 197:
IIRecurrent Neural Network15 Recurr
Page 200 and 201:
200 Chương 15. Recurrent neural n
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
206 Chương 16. Long short term me
Page 208 and 209:
208 Chương 16. Long short term me
Page 210 and 211:
210 Chương 17. Ứng dụng thêm
Page 212 and 213:
Page 214 and 215:
Page 216 and 217:
Page 218 and 219:
Page 220 and 221:
Page 222 and 223:
Page 225 and 226:
BibliographyArticles[7] Ross Girshi
Page 227:
17.6 Python code 227Books[21] Adria
show all

Sách Deep Learning cơ bản

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?