超级会员免费看
本文系统梳理现代深度学习核心架构：CNN（含归纳偏置、卷积数学本质）、RNN/LSTM（解决长程依赖）、Transformer（自注意力、多头机制、编码器-解码器结构）；深入剖析三大生成模型范式——VAE（ELBO、重参数化）、GAN（极小极大博弈）、扩散模型（前向/反向过程、DDPM、得分匹配）；并简述不确定性量化（贝叶斯方法、集成、共形预测）与神经网络验证基础。内容聚焦模型原理、数学建模与机器人等实际场景关联。
Lecture 4 MLDL Refresher Part 2
四、进入深度学习进阶 — CNN
上次课讲了监督学习和深度学习的基础，简单提了提为什么用深度学习。今天聊一些进阶内容，帮你联想到现代深度学习模型，比如卷积神经网络、RNN、LSTM 和 Transformer。两种无监督学习范式：无监督学习（特别是生成模型）和自监督学习。最后快速提一下两种让学习过程更稳健可靠的方法：不确定性量化和验证——它们在机器人领域都很实用。
卷积神经网络
先回顾全连接神经网络：输入层与输出层之间存在大量相互独立的连接，连接非常密集，相互独立且具有全局性。而卷积神经网络主要捕捉空间依赖性，在处理图像时通过应用相应的滤波器来实现。两个关键点：空间依赖性和相关滤波器。
卷积核包含几个关键组件：步长和填充。这里展示了一个 3×3×13 \times 3 \times 1
订阅专栏 解锁全文
扫一扫
87
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
