本文转载自：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit，原文为：http://cs231n.github.io/convolutional-networks/，并进行一定的修改。

目录

本文转载自：https://zhuanlan.zhihu.com/p/21741716?refer=intelligentunit，原文为：http://cs231n.github.io/neural-networks-3/，并进行一定的修改。

目录

本文转自：https://zhuanlan.zhihu.com/p/21560667?refer=intelligentunit，并进行一定修改。原文为：http://cs231n.github.io/neural-networks-2/

目录

本文转自：https://zhuanlan.zhihu.com/p/21462488?refer=intelligentunit，并进行一定修改。原文为：http://cs231n.github.io/neural-networks-1/

目录

• 简介
  阅读全文 »

本文转自：https://zhuanlan.zhihu.com/p/21407711?refer=intelligentunit，并进行一定修改。原文为：http://cs231n.github.io/optimization-2/

简介

目的:本节帮助读者对反向传播形成直观而专业的理解。反向传播是利用链式法则递归计算梯度的方法。理解反向传播过程及其精妙之处，对于理解、实现、设计和调试神经网络非常关键。

本文转载自：https://zhuanlan.zhihu.com/p/21387326?refer=intelligentunit，原文：http://cs231n.github.io/optimization-1/

简介

图像分类任务中的两个关键部分：

1. 基于参数的评分函数。该函数将原始图像像素映射为分类评分值（例如，一个线性函数）。
2. 损失函数。该函数能够根据评分和训练集图像数据实际分类的一致性，衡量某个具体参数集的质量好坏。损失函数有多种版本和不同的实现方式（例如：Softmax或SVM）。
   阅读全文 »

本文转自：https://zhuanlan.zhihu.com/p/20918580?refer=intelligentunit，原文：http://cs231n.github.io/linear-classify/，并进行一定修改。

本节课主要介绍线性分类器相关的知识，并将其用于图像分类。

线性分类器简介

评分函数（score function):它是原始图像数据到类别分值的映射。
损失函数（loss function）：它是用来量化预测分类标签的得分与真实值之间的一致性。

本文转自：https://zhuanlan.zhihu.com/p/20894041?refer=intelligentunit，原文：http://cs231n.github.io/classification/，并根据原文添加了部分内容。

图像分类

图像分类问题，就是对已有的固定的分类标签集合，对于输入的图像，从分类标签集合中找到一个分类标签，最后把分类标签分配给该输入图像。虽然看起来很简单，但是是计算机视觉领域的核心问题之一，并且有着广泛的应用。

第一章 使用神经网络识别手写数字

感知器

本文主要是对《知识图谱技术综述》 徐增林等人的这篇论文阅读时的一个整理和记录。知识图谱技术是AI技术的重要组成部分，建立的具有语义处理能力与开放互联能力的知识库，可在智能搜索、智能问答、个性化推荐等智能信息服务中产生应用价值。这篇论文全面介绍了知识图谱的定义、架构以及知识图谱的知识抽取、知识表示、知识融合、知识推理四大核心技术的研究进展。

阅读全文 »