1 深度学习要解决的问题

怎么样提特征

2 应用领域

（1）无人驾驶，
计算机视觉
（2）人脸识别
移动端-计算量太大，速度慢，卡。
参数：成千上百万的。
（3）医学
（4）变脸
（5）图像自动上色

有监督的问题，

3 计算机视觉任务

1 分类：

挑战：照射角度，形状改变，部分遮挡，背景混入

套路：收集数据给定标签，训练分类器，测试评估

（1）K近邻算法

• 不适合作为分类的算法。

4 视觉任务中遇到的问题

1. 背景相同的放到一起了，关注的是主体。

5 得分函数

6 损失函数

w权重矩阵，是优化来的，什么样的w适合做当前的人物。
损失函数既能做分类又能做回归的。
衡量分类的结果。

损失函数是怎么定义的，网络是不会变的，不同的任务损失函数是不一样的。

7 前向传播整体流程

缺点过于强大了，否则过拟合了。

8 返向传播计算方法

1 梯度下降

9 神经网络整体架构

找参数，

11 神经元个数对结果的影响

12 正则化和激活函数

1 正则化

2 激活函数

非常重要

13 神经网络过拟合解决办法

1 数据预处理

2 参数初始化

3 DROP-OUT-七伤拳

视频

https://www.bilibili.com/video/BV15t4y1G7kq?p=14&vd_source=5c9c50b5a07b211beafdf65d7cc7f8c8