初级
提供者 : Josh Turner
3 课时 · 20m
语言：阿拉伯语, 德语, 英语, 西班牙语, 法语, 葡萄牙语, 简体中文
课程描述
深度学习是一个快速发展的领域，对深度学习中使用的不同方法和技术有基本的了解对于该领域的专业人士来说非常有价值。在这些课程中，您将了解该领域使用的不同深度学习方法，包括卷积神经网络（CNN）和多层感知器（MLP）。您还将发现深度学习中权重的不同名称，并探索可在神经网络中使用的各种损失函数，例如均方误差（MSE）、稀疏分类交叉熵和二元交叉熵。
接下来，您将探索卷积神经网络（CNN）中使用的不同类型的层，例如卷积层、池化层和平坦层。您还将了解多层感知器（MLP）中的不同层，这是深度学习中常用的另一种神经网络。
接下来，您将深入研究自动编码器，它是一种用于无监督学习的神经网络。您将了解自动编码器的不同层，包括编码层和解码层。您还将探索在自动编码器中使用较小层的好处，以及它如何提高模型的效率。
总体而言，您将发现TensorFlow数据集中可用的流行数据集之一，并了解自动编码器在学习图像特征中的应用。您还将了解自动编码器层是否应该更大，并了解其背后的原因。
您将学到的内容
- 识别该领域使用的不同深度学习方法，包括卷积神经网络（CNN）和多层感知机（MLP）
- 描述深度学习中权重所使用的不同名称
- 解释神经网络中使用的各种损失函数，如均方误差（MSE）、稀疏分类交叉熵和二元交叉熵
- 识别CNN中使用的不同层类型，包括卷积层、池化层和展平层
- 探索用于无监督学习的自编码器，包括编码层和解码层
- 了解一个流行的TensorFlow数据集以及自编码器在图像特征学习中的应用
关键要点
- 深度学习使用多种方法，包括卷积神经网络（CNN）和多层感知机（MLP）。
- 神经网络可使用不同的损失函数，如均方误差（MSE）、稀疏分类交叉熵和二元交叉熵。
- 卷积神经网络由多种层类型构建，包括卷积层、池化层和展平层。
- 自编码器是一种用于无监督学习的神经网络，由编码层和解码层组成。
- 自编码器中较小的层可提升模型效率，并帮助其学习图像中的特征。
常见问题
本课程适合谁？
课程面向深度学习领域的专业人士，希望对该领域使用的不同方法和技术有基础性了解。
课程涵盖哪些深度学习方法？
课程涵盖深度学习方法，包括卷积神经网络（CNN）、多层感知机（MLP）和自编码器。
我将学习哪些关于损失函数的内容？
您将探索神经网络中使用的各种损失函数，如均方误差（MSE）、稀疏分类交叉熵和二元交叉熵。
本课程涵盖的自编码器是什么？
自编码器是一种用于无监督学习的神经网络；课程涵盖其编码层和解码层、拥有较小层的优势，以及其在图像特征学习中的应用。
本课程建立哪些技能？
课程建立TensorFlow、深度学习、深度学习方法、自编码器、特征学习和训练数据集方面的技能。
