deeplearn.ai课程笔记Week 1

系统的介绍为什么要对大模型进行微调，微调与提示词的区别，如何对大模型微调，以及如何对大模型评估。

深度学习（Deep Learning）是机器学习（Machine Learning）的一大分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 逻辑回归（Logistic Regression，也译作“对数几率回归”）是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。 符...

课程在网易云课堂上免费观看，作业题如下：加粗为答案。 神经网络和深度学习 第一周 深度学习概论 10个选择题，原见Github What does the analogy “AI is the new electricity” refer to? Similar to electricity starting about 100 years ago, AI is trans...

本节内容对应吴恩达deeplearning.ai课程中，第一部分第一周的内容。 学习过程中的一些笔记与心得与大家分享！ 原始课程请访问https://www.deeplearning.ai/来了解更多。   Welcome 欢迎大家来到深度学习课堂！ 很多人可能已经发现深度学习已经开始影响了互联网的很多行业，例如网页搜索或是在线广告等。 同时，合理利用

这是AI小白入门人工智能的必经之路，机器学习系列课程的笔记内容让你学习不再迷茫！

呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！ 新闻 AlphaZero：通过自我对弈掌握象棋和将棋 来源：ARXIV.ORG  链接： https://arxiv.org/abs/1712.0181

RNN & LSTM 1 摘要 从上次以来，确定方向，听讲座……发生了太多事，断断续续才看完了，老师说的还是没有错，脱离项目是不行的，学了忘没什么意义。 本文主要就是RNN和LSTM，形式很复杂，但思想很简单。 RNN LSTM GRU 2 原理 2.1 Intuition 我们考虑一件事，如何描述、量化一句话中每个词之间的关系？我们来看CNN怎么做，CNN通过卷积来压缩每个特征...

一、深层神经网络 深层神经网络的符号与浅层的不同，记录如下： 用\(L\)表示层数,该神经网络\(L=4\) \(n^{[l]}\)表示第\(l\)层的神经元的数量，例如\(n^{[1]}=n^{[2]}=5,n^{[3]}=3,n^{[4]}=1\) \(a^{[l]}\)表示第\(l\)层中的激活函数,\(a^{[l]}=g^{[l]}(z^{[l]})\) 二、前向和反向传播...

一个简单的神经网络： x=(x1,x2,x3)为自变量，Y为因变量。 神经网络应用于有监督学习。神经网络的输入可以是结构数据或非结构数据（图像，语音，文本等）不同神经网络解决不同问题，如CNN用于图像，RNN用于语音、翻译问题等。 以图像二分类问题为例。一个64px*64px的图像在计算机中可表示为3个64*64矩阵（红黄蓝矩阵）。这三个矩阵作为输入，将转化为一个 3*64*64=12288 维列向量X。y=0，1. 有m个图像作为训练集，每个training example...

1. Logistic Regression Cost Function: 2. Vectorization 尽量使用向量化代替循环以提高执行效率！**Tips of Numpy:** 使用python/numpy时，在定义数据矩阵时，最好明确指定矩阵的行列数，否则可能会因python的广播特性出现一些不可预料的bug!3. Why deep representations用简单的L

总述： 1. 课程+课件，学习位置：  -- 1）网易云课程，2） coursera（若视频无法加载 或者 测验区图片不显示，解决方法 https://jingyan.baidu.com/article/6f2f55a14059eeb5b93e6cab.html） 2. 作业  -- 在coursera上查看作业+写作业，但是不能提交（因为没有缴费，只是注册了couresera的帐号）；

文章目录1.2边缘检测 1.2边缘检测

Course 1 Assignment 3 error 1 Assignment 3 error 2 Course 2 Assignment 1 error 1 Course 1 Assignment 3 error 1 问题代码： # Visualize the data: plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap

吴恩达deeplearning.ai课程作业，自己写的答案。 补充说明： 1. 评论中总有人问为什么直接复制这些notebook运行不了？请不要直接复制粘贴，不可能运行通过的，这个只是notebook中我们要自己写的那部分，要正确运行还需要其他py文件，请自己到GitHub上下载完整的。这里的部分仅仅是参考用的，建议还是自己按照提示一点一点写，如果实在卡住了再看答案。个人觉得这样才是正确的学

本周主要在上周的基础上对基线模型进行了训练，同时对预处理部分进行了完善。下周努力一把把剩下的主体都搞了，同时对比一下两个模型的效果，同时训练的时候为了固定结果可以加一个随机种子。

Adam优化算法是深度学习中广泛使用的优化器，它结合了动量梯度下降和RMSprop的优点，通过自适应调整学习率来提高训练效率。文章从物理角度形象解析了Adam的核心机制：动量项（一阶矩）减少参数更新的震荡，而梯度平方项（二阶矩）根据地形陡峭程度自动调节步长（陡峭时减速，平缓时加速）。PyTorch中只需简单调用optim.Adam即可实现这一复杂过程。尽管Adam通用性强，但某些场景（如CV任务）仍可能使用SGD-Momentum以获得更精确的解。全文通过“小球下山”的比喻，生动揭示了数学公式背后的动态调节

本文介绍了一个基于深度学习的自动驾驶模拟系统全栈项目，包含以下核心内容： 系统架构：采用前后端分离设计，Python+FastAPI处理后端逻辑和深度学习模拟，Vue3构建前端交互界面。 功能模块： 用户认证（JWT+bcrypt加密） 场景配置（道路类型/天气/交通密度） 自动驾驶模拟（车道线识别/障碍物检测/碰撞风险评估） 数据看板展示 技术特点： 轻量级SQLite数据库存储 完整的认证流程实现 可扩展的深度学习模拟框架 响应式前端界面 学习价值：项目提供了完整的开发流程和可运行源码，适合作为深度学习

Ct可能是-2到2之间，所以后面再来一个tanh缩小范围-1到1之间。

pi*0.6是Physical Intelligence提出的新一代VLA模型。与主要依赖示范学习的VLA不同，它引入了RECAP，使模型能够继续利用机器人自主运行产生的成功轨迹、失败轨迹和人工纠正数据改进策略。RECAP不使用传统的在线PPO直接更新大型VLA，而是先训练价值函数判断机器人是否正在接近任务目标，再为数据中的动作计算优势标签，最后把优势作为文本条件加入VLA。这样既能保留原有的监督训练方式，也能让模型逐渐偏向更有效的动作。