卷積神經(jīng)網(wǎng)絡(luò)如何進行圖像識別？卷積神經(jīng)網(wǎng)絡(luò)通過用戶設(shè)計的損失融合（分類往往是交叉的）計算實際標簽和預(yù)測標簽之間的差異，使用梯度反向傳播最小化損失，并更新卷積核參數(shù)以生成新的預(yù)測值。重復(fù)此過程，直到培訓(xùn)

卷積神經(jīng)網(wǎng)絡(luò)如何進行圖像識別？

卷積神經(jīng)網(wǎng)絡(luò)通過用戶設(shè)計的損失融合（分類往往是交叉的）計算實際標簽和預(yù)測標簽之間的差異，使用梯度反向傳播最小化損失，并更新卷積核參數(shù)以生成新的預(yù)測值。重復(fù)此過程，直到培訓(xùn)結(jié)束。

機器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？

主要是線性代數(shù)和概率論。

現(xiàn)在最流行的機器學(xué)習(xí)模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運算和操作。

其他“傳統(tǒng)”機器學(xué)習(xí)算法也使用大量線性代數(shù)。例如，線性回歸與線性代數(shù)密切相關(guān)。

從線性代數(shù)的觀點來看，主成分分析是對協(xié)方差矩陣進行對角化。

尤其是當(dāng)你讀論文或想更深入的時候，概率論的知識是非常有用的。

它包括邊緣概率、鏈式規(guī)則、期望、貝葉斯推理、最大似然、最大后驗概率、自信息、香農(nóng)熵、KL散度等。

神經(jīng)網(wǎng)絡(luò)非常講究“可微性”，因為可微模型可以用梯度下降法優(yōu)化。梯度下降和導(dǎo)數(shù)是分不開的。所以多元微積分也需要。另外，由于機器學(xué)習(xí)是以統(tǒng)計方法為基礎(chǔ)的，因此統(tǒng)計知識是必不可少的。但是，大多數(shù)理工科專業(yè)學(xué)生都應(yīng)該學(xué)過這兩部分內(nèi)容，所以這可能不屬于需要補充的內(nèi)容。