[深度学习] Backpropagation In Convolutional Neural Networks.pdf

说明： Neurons in CNNs share weights unlike in MLPs where each neuron has a separate weight vector. This sharing of weights ends up reducing the overall number of trainable weights hence introducing sparsity.
<lisaientisite> 上传 | 大小：364kb

[深度学习] Feature Extraction Using Convolution.pdf

说明： In this section, we will develop methods which will allow us to scale up these methods to more realistic datasets that have larger images.
<lisaientisite> 上传 | 大小：93kb

[深度学习] Practical Recommendations for Gradient-Based Training of Deep Architectures.pdf

说明： Learning algorithms related to artificial neural networks and in particular for Deep Learning may seem to involve many bells and whistles, called hyperparameters.
<lisaientisite> 上传 | 大小：474kb

[深度学习] Backpropagation for a Linear Layer.pdf

说明： In these notes we will explicitly derive the equations to use when backprop- agating through a linear layer, using minibatches.
<lisaientisite> 上传 | 大小：124kb

[深度学习] Derivatives, Backpropagation, and Vectorization.pdf

说明： Derivatives:Scalar Case;Gradient: Vector in, scalar out;Jacobian: Vector in, Vector out;Generalized Jacobian: Tensor in, Tensor out. Backpropagation with Tensors.
<lisaientisite> 上传 | 大小：201kb

[深度学习] Convolutional Neural Networks.pdf

说明： Convolutional Neural Networks are very similar to ordinary Neural Networks from the previous chapter: they are made up of neurons that have learnable weights and biases. Each neuron receives some inputs, performs a dot product and optionally follows
<lisaientisite> 上传 | 大小：797kb

[深度学习] A guide to convolution arithmetic for deep learning.pdf

说明： Deep convolutional neural networks (CNNs) have been at the heart of spectacular advances in deep learning.
<lisaientisite> 上传 | 大小：858kb

[深度学习] Deep Learning Software.pdf

说明： CPU vs GPU. Deep Learning Frameworks:Caffe / Caffe2,Theano / TensorFlow,Torch / PyTorch
<lisaientisite> 上传 | 大小：4mb

[深度学习] Training Neural Networks, Part 2.pdf

说明： Fancier optimization,Regularization,Transfer Learning
<lisaientisite> 上传 | 大小：2mb

[深度学习] Google Protocol Buffer 的使用和原理.pdf

说明： Protocol Buffers是一种轻便高效的结构化数据存储格式，可以用于结构化数据串行化，很适合做数据存储或RPC数据交换格式。它可用于通讯协议、数据存储等领域的语言无关、平台无关、可扩展的序列化结构数据格式。目前提供了C++、Java、Python三种语言的API。
<lisaientisite> 上传 | 大小：371kb

[深度学习] Glog使用文档.pdf

说明： Glog定义了一系列的宏来简化记录日志的工作。你可以：按级别打印日志，通过命令行控制日志行为，按条件打印日志，不满足条件时终止程序，引入自定义的日志级别，等等。
<lisaientisite> 上传 | 大小：198kb

[深度学习] Caffe中LMDB使用

说明： Caffe中DataLayer默认的数据格式是LMDB 。许多example 中提供的输入数据是LMDB格式。使用extract_features.bin提取特征时支持的输出格式之一也是LMDB。LMDB在Caffe的IO功能中有相当重要的地位。因此，搞明白如何存取Caffe的LMDB数据，对于我们使用Caffe是很有帮助的。
<lisaientisite> 上传 | 大小：220kb