基础模型

翻译模型（seq2seq）：

• 建立一个编码网络，对输入进行编码，也就是进行学习
• 建立一个解码网络，当所有的输入完了之后对编码后的变量进行解码得到翻译的结果

词汇表征

将RNN GRU LSTM用于自然语言处理（NLP）

词嵌入：让算法自动的理解一些类似的词

我们上周的理解是这样的,(one-hot)将所有词都存在一个词表里面，但是这样就会导致词和词之间是独立的，比如如下图的情况，orange和apple本来是很相近的两个词，比如下面两个句子都应该学习到后面的一个词是果汁，因为苹果和橙子是相近的两个词，但是如果相互独立就很难这么学习到：

为什么选择序列模型

序列模型的适用范围

什么是人脸识别

识别加验证

One-Shot学习

一次学习问题：需要通过单单一张照片去识别一个人

因为通常一个人只会录入它的一张照片，这对于神经网络来说样本数太少，除此之外，如果添加了新的人，就得重新训练模型

一种计算方法——计算相似度（这里的阈值时超参数，并且如果样本新增了一张图片也不会有问题，不需要重新训练，一张一张的比较）：

目标定位

对象位置分类(classification with localization)：在一张图中有一个较大的对象，对他进行识别并确认出位置

对象检测(detection)：在一张图中有多个对象，对这多个位置对象进行检测识别并确认出位置

在输出中添加位置标签，bx by是物体中心点的坐标，宽bw，高bh，整张图片起始坐标为(0,0),终坐标为(1,1)

经典网络

计算机视觉

计算机视觉可以做到的事情(分类、识别、转换)：

进行误差分析

比如一个分类猫的分类器，把一些很像猫的狗也错判断了猫

那要专门去处理吗：

• 如果发现错误判断中将狗认成猫的概率很低就不用去处理了
• 如果比较高就可以处理，可以在标签中新建一行用来表示是狗

为什么是ML策略

优化深度学习时考虑的策略

帮助我们选择更好的算法

调试处理

超参数：α β β1 β2 layers ε hidden-units learning-rate decay mini-batch-size

红色是最需要调试的，其次是黄色，再其次是紫色 β是指用momentum是的参数 β1、β2是指用adam所有的参数