深度学习汇报
积极分子在学习方面的思想汇报
积极分子在学习方面的思想汇报积极分子在学习方面的思想汇报尊敬的领导、老师和亲爱的同学们：大家好！我是一名积极分子，我很荣幸能够站在这里向大家汇报我在学习方面的思想和心得体会。
在过去的一段时间里，我积极投入学习，勤奋刻苦，努力提高自己的综合素质。
通过不断思考、总结和反思，我深刻认识到学习的重要性，明确了自己的学习目标，并制定了相应的实施计划。
首先，我认识到学习是一项持久而艰巨的任务。
在面对复杂多变的学习内容时，我学会了坚持不懈，没有轻易放弃。
无论遇到什么困难和挫折，我都会坚持下去，相信自己一定能够克服困难，取得好的成绩。
同时，我也明白了学习需要一种持续的动力和信念。
因此，我时常给自己设定小目标，并不断激励自己去实现这些目标，这使得我的学习变得更有动力和意义。
其次，我注重提高学习效果，采取了一些有效的学习方法。
首先，我强调“授人以鱼不如授人以渔”，注重培养自主学习的能力。
在学习过程中，我尽量自己思考、自己解决问题，而不是寄希望于老师的解答。
通过自主学习，我能够更好地理解和掌握知识，也锻炼了自己的解决问题的能力。
同时，我还注重总结和归纳，及时记录学习笔记，并通过复习和思考来巩固所学知识。
此外，我也会寻求他人的帮助和意见，不断与他人交流和讨论，从不同的角度理解和学习知识，这对于加深理解和拓宽思路都有着积极的影响。
再次，在学习中，我积极培养和发展自己的学习兴趣。
拥有浓厚的学习兴趣能够激发学习的热情和动力，使我在学习中更加主动、积极。
为了增加学习的趣味性，我经常寻找与学习内容相关的优秀书籍、影视作品和实践机会。
通过多样化的学习方式，我不仅增加了对学习的兴趣，也加深了对知识的理解和应用。
最后，我积极培养了团队合作意识和沟通能力。
在学习中，往往需要与他人一起合作完成任务和解决问题。
因此，我注重与他人的合作，学会倾听和尊重他人的意见，争取大家的共识和团结一致。
在团队合作中，我发现每个人都有自己的专长和优势，只有充分发挥每个人的优势，才能实现最好的团队效果。
小学数学课堂里的深度学习
小学数学课堂里的深度学习所有学科的认知就其构成方式来说，均可包括表面结构与深层结构。
表层结构展示的是科学知识的最表层，即对科学知识自身的描述性含义和解释性含义。
而深层结构则是指蕴藏于科学知识中的思考方法和价值观，它展示的是对科学知识的深刻含义，以及学习者积极的内部学习动机。
小学阶段的深度学习并非简单的理解为教学内容上的深度和难度，而是着眼于学生对已知知识的整体理解上促进学生知识建构和学习方法的迁移，发展学生的技能和策略，让学生在解决问题过程中提高核心素养。
近年来，在教育新课标改革的促进下，"深度学习"的教育思想也得到了普遍的提倡，并强调在课堂上将学习者的思想深度引入到学习的发现过程中去，本文就深度学习在数学教学中的实际应用进行研究。
一、深入钻研教材。
教科书的编写以定性化、规范化的形态把课程的知识固定下来。
教科书仅仅呈现了知识点的表层结果，而弱化了探究的基本步骤，因此老师在备课时就必须进行深入挖掘形成这种表层结论的思维过程，这就需要老师对教材钻的深、研的透，并了解知识点之间的横向联系，关注其纵向衔接。
从教学设计上深入到每节课的教学目标与内容，并明确知识点之间的联系，从而引领学生从认知课堂逐步走向认识探索，并引领学生突破表面的认知符号学习，直接进入知识点内在的逻辑与意义，帮助学生建立探究环境，彻底掌握知识并能活学活用，从而实现深度学习。
二、深入培养问题意识。
深度学习的课程设计重心在于精心设计的问题与学习任务。
初为教师时，最怕"有问题的课堂"，怕学生活跃的思维影响教学进度，怕偏离主题无法走向设定的方向。
但是"没有提问"的课堂，很难激起小学生的探索求知欲，学生的学习方式也变得很肤浅、流于形式，思维也很难得到发展。
唯有以问题引领数学课堂，引导他们提问，并激励学生对数学问题展开新思维，从而强化他们对发现问题、解决问题思维的训练，推动他们的思维深度的发展。
如何落实“深度学习”的教学理念
学海无涯··一、抓住一个关键———教师主导1.2.3.如我在教学五上《父爱之舟》时，为了摸底学情，我设计了预习单：文中哪些字词不理解；用简单的词句说说作者生活的年代；作者回忆了哪些场景；哪个场景印象特别深刻。
我将学生的预习结果进行汇总整理作为教学设计的重要依据。
在兼顾教学要求和学情状况的基础上，我围绕“往事”“画面”和“语句”三个关键词，依次设计了“整理感知”“触摸情感”“品味父爱”等三个核心板块，从中既充分预设了听说读写、合作学习，也预设了思维发展、审美提升和文化熏陶等内容，为学生提供了学习支架。
其中“往事：初读课文，整体感知”板块，我是这样设计的：1.要求全体学生合上书本，回忆印象最深刻的一件往事，并试着用两三句概括地说。
要求学生离开文本回忆内容，是为了促使学生调动记忆，也是对阅读效率的一次自我检测。
2.指名回答，教师随机将学生发言概括成词语。
教师直接出手代办概括，是因为概括成词不是本课的学习任务。
3.教师小结：课文基本上一个段落叙述一件往事。
4.打开书本默读，想一想每个段落分别写了什么事，并把概括性的词语写在段落旁边。
之前是听同学说，训练的是“听”。
学生一边听一边回忆，默默构建内容轮廓。
现在是让学生直面文本，这是“读”的训练。
文章篇幅较长，但有了教师提供的词语，学生大大提高了阅读速度。
5.指名学生汇报“往事”的正确排序。
通过这一步，学生梳理了文章脉络，完成了对课文的整体感知。
再全班同学齐读一遍，以加深印象。
二、强调一个基础———学生参与如《父爱之舟》教学中“画面：再读课文，触摸情感”板块。
我设计三个环节：一是让学生合上书本回忆往事，指名说说印象最深刻的一幅画面，要求尽量说具体，同时说说印象深刻的原因。
二是快速默读课文，找到印象最深刻的地方，在书上用横线画出相关语句，同时要清楚原因。
三是合作交流。
同桌之间相互交流找到的语句，你说我听，要把与同桌交流的结果也记录在书本上。
在这个板块中，全体学生全程都沉浸在听说读写思之中。
思想汇报思想汇报2000字3篇
思想汇报思想汇报2000字3篇思想汇报一般是在学生进行实习、集训、实践、实验、考察等过程中，对实践活动、个人感悟和成长进行总结和反思的一种方式。
下面是三篇思想汇报的相关参考内容。
思想汇报一：实习笔记在过去的一个月里，我在一家实习公司中担任了数据分析师的实习岗位。
这个实习让我更加深入地了解了数据分析的实践过程，也让我感受到了不同的工作习惯和工作文化。
首先，我学会了如何进行数据预处理，包括数据去重、数据清洗、数据归一化等。
我意识到，数据的预处理是一个非常耗时的过程，但是却是数据分析的基础，只有在这个基础上，我们才能进行后续的深度分析和建模。
其次，我学到了许多常用的数据可视化工具，比如Tableau和matplotlib。
这些工具能够非常直观地展现数据的特征和规律，也方便我们进行结果的解读和呈现。
在使用过程中，我也学会了如何根据不同的数据特征来选用合适的可视化工具。
最后，我对于团队合作和沟通有了更深刻的理解。
在公司中，我有机会参与到不同的项目中，需要与不同的人合作，这也让我意识到了团队合作的重要性。
而沟通也是团队合作中重要的一环，有效的沟通能够避免许多不必要的误解和矛盾，也有助于团队协作的顺利进行。
思想汇报二：社会实践感悟在暑期社会实践中，我到了西南山区的一个小村庄进行支教和农村调研。
这次实践让我更加深入地了解了农村的生活和文化，也让我明白了自己的责任和使命。
首先，我们进行了支教活动，去了当地的小学进行义务教学。
学生们年龄小，但是非常聪明和好学。
他们没有天天上好的学校，也没有优秀的老师，但是他们仍然在朝着美好的未来努力着，这让我非常感动。
其次，我们进行了农村调研，深入了解了当地的生活和风俗。
这里的人们非常热情和淳朴，他们的生活虽然艰苦，但是仍然充满希望和美好。
我们也从中了解到了当地农民在发展农业方面的一些困境和需要改进的地方，也思考了如何为他们提供更好的帮助和支持。
最后，这次实践让我感受到了自己作为一名现代青年的责任和使命。
人工智能工作汇报范文
人工智能工作汇报范文首先，感谢各位领导的关心和支持。
我在此向大家汇报我在人工智能领域的工作情况。
一、工作概述作为人工智能工程师，我目前主要负责开发和优化智能语音识别系统。
该系统旨在通过使用深度学习算法，提高语音输入的准确性和识别速度。
在过去的一个季度里，我在以下几个方面开展了工作：1. 数据集准备和特征提取为了训练和测试语音识别系统，我收集了大量的语音数据并进行了相应的预处理。
我使用了Mel频谱特征提取方法，并结合数据标注工具，对语音数据进行了标注和分割。
这些工作为后续的模型训练和评估奠定了基础。
2. 模型设计与调优我采用了深度卷积神经网络（CNN）和长短时记忆网络（LSTM）的结合模型，搭建了语音识别系统。
通过不断调整网络结构和参数，我取得了一定的性能提升。
同时，我也运用了正则化和优化算法，解决了过拟合和收敛速度的问题。
3. 训练与评估利用搭建好的模型，我进行了大规模的训练，并分批次对训练过程进行了监控和调整。
在训练结束后，我使用测试集对系统进行了评估，并对结果进行了分析和改进。
通过多次迭代和优化，系统的准确性和鲁棒性得到了明显提升。
二、成果展示在这个季度的工作中，我取得了以下几项成果：1. 运用新的深度学习模型，将语音识别准确率提高了10%以上。
2. 通过引入多标签学习技术，实现了对多说话人的语音输入进行识别和区分。
3. 优化了系统的响应速度，将识别时间从5秒减少到2秒以内。
三、遇到的挑战与解决方案在工作过程中，我也面临了一些挑战，主要包括以下两个方面：1. 数据集规模不足由于数据采集的困难，我们的数据集规模相对较小。
为了缓解这个问题，我采用了数据增强的方法，通过对已有数据进行变换和扩展，提高了模型的泛化能力。
2. 硬件资源限制训练深度学习模型需要大量的计算资源，而我们的硬件条件相对较差。
为了解决这一问题，我充分利用云计算平台，并进行了资源的有效分配和管理，以加速模型训练的进程。
四、下一步计划基于目前的工作成果，我将在接下来的时间里继续深入研究，针对以下几个方向进行工作：1. 进一步优化系统性能，提高语音识别准确率和响应速度。
研究生课程总结汇报材料
研究生课程总结汇报材料研究生课程总结汇报材料我在本学期参加了多门研究生课程，包括专业课程和选修课程。
通过这些课程的学习和实践，我获得了宝贵的知识和经验，并提高了自己的研究能力和学术素养。
在专业课程方面，我主要学习了《高级数据结构与算法分析》和《人工智能导论》。
《高级数据结构与算法分析》课程主要介绍了常用的高级数据结构和算法，并通过实际案例的分析和实验设计来加深理解。
通过这门课程，我深入了解了各种数据结构和算法的原理和应用，并学会了如何选择和优化算法以解决实际问题。
《人工智能导论》课程主要介绍了人工智能的基本概念、原理和应用。
通过这门课程，我了解了人工智能的发展历程和现状，同时也学会了基本的机器学习算法和工具的使用。
这些课程让我深入了解了计算机科学领域的前沿技术和最新研究动态，并提高了我对未来研究方向的认识和选择。
在选修课程方面，我选修了《数据挖掘技术》和《深度学习与神经网络》。
《数据挖掘技术》课程主要介绍了数据挖掘的基本概念、方法和应用，并通过实际案例的分析和实验设计来加深理解。
通过这门课程，我学会了如何有效地从大量数据中发现有价值的信息，并应用在实际问题的解决中。
《深度学习与神经网络》课程主要介绍了深度学习和神经网络的基本原理和常用模型，并通过实际案例的分析和实验设计来加深理解。
通过这门课程，我了解了深度学习的基本理论和应用，并学会了如何使用常用的深度学习框架来解决实际问题。
这些课程使我对于数据挖掘和深度学习领域的技术和方法有了更加深入的了解和实践经验，并为未来科研工作打下了坚实的基础。
在学习过程中，我注重理论与实践相结合。
除了课堂学习，我还积极参与了一些研究项目和实验。
通过与教师和同学的合作，我学会了如何阅读和理解最新的研究论文，并在实验中运用理论知识解决实际问题。
同时，我也不断提高自己的英语阅读和写作能力，以更好地跟进国际前沿研究的进展和发展趋势。
值得一提的是，课程学习期间，我还积极参加了一些学术会议和学术交流活动。
深度学习人体姿态估计总结汇报(HRNet)
论文概述
本篇论文主要研究的是人的姿态问题， 着重输出可靠的高分辨表征。
传统方法：大多数从高分辨率到低分辨 率产生的低分辨表征中恢复高分辨率表 征。
本文方法：网络能在整个过程中都保持 高分辨率的表征。此人体姿态估计模型 刷新了三项COCO纪录。
近期工作
最近的发展表明，深度卷积神经网络已经取得了最先进的性能。大多数现有 的方法通过一个网络(通常由高分辨率到低分辨率的子网串联而成)传递输入， 然后提高分辨率。例如，Hourglass[40]通过对称的低到高分辨率 (symmetric low-to-high process)过程恢复高分辨率。SimpleBaseline采 用少量的转置卷积层(transposed convolution layers)来生成高分辨率的表 示。此外，dilated convolutions还被用于放大高分辨率到低分辨率网络 (high-to-low resolution network)的后几层(如VGGNet或ResNet)。
深度学习人体姿态估计 总结汇报
Deep High-Resolution Representation Learning for Human Pose Estimati析
目录
CONTENT
什么是人体姿势估计？
人体姿势估计被定义为图像或视频中人体关节（也称为关键点 - 肘部，手腕等）的定位 问题。它还被定义为在所有关节姿势的空间中搜索特定姿势。
论文讲解
Deep High-Resolution Representation Learning for Human Pose Estimation
论文概述
这篇论文主要研究人的姿态问题 (human pose estimation problem)，着 重于输出可靠的高分辨率表征(reliable highresolution representations)。现有 的大多数方法都是从高分辨率到低分辨 率网络(high-to-low resolution network) 产生的低分辨率表征中恢复高分辨率表 征。相反，我们提出的网络能在整个过 程中都保持高分辨率的表征。
2024年6月大学生思想汇报
2024年6月大学生思想汇报尊敬的导员、老师们：您们好！我是XXX大学XXX专业XXX班的学生XXX，非常荣幸能有机会在这里向您们汇报我的思想和学习情况。
回顾过去的一年，我经历了许多变化和成长。
作为一名大学生，我深知作为新时代的青年学子，肩负着理想信念的追寻、知识的积累和个人素养的提升，同时也要展示大学生积极向上、充满朝气和创造力的形象。
首先，在思想方面，我始终保持着马克思主义的世界观和方法论，坚定信念、坚决拥护党的领导。
大学期间，我通过学习马克思主义基本原理和党的路线方针政策，逐渐确立自己的世界观和人生观，使自己能够正确处理个人与集体的关系。
在面对各种诱惑和挑战时，我始终牢记自己的初心，始终保持清醒的头脑，不断修正自己的行为和思维，始终保持良好的道德品质。
其次，在学习方面，我充分发掘自己的潜力和优势，努力提高学习成绩。
我始终坚持深度学习、实践学习和合作学习的原则，做到了理论与实践相结合，知识与技能并重。
在专业课程学习中，我积极参与课堂讨论，勇于提出自己的观点，并通过实践课程和实习机会，将理论知识应用到实际中，提升自己的实际操作能力。
同时，在通识教育方面，我注重培养自己的综合素质，广泛涉猎各种学科，加强了解国际形势和热点问题，提高了自己的综合素养。
再次，在个人发展方面，我注重培养自己的领导能力和团队合作意识。
我担任班级学习委员一职，负责班级学习组织与协调工作，在这个过程中，我学会了如何与同学们有效沟通、协调班级学习事务，锻炼了自己的组织能力和团队合作意识。
同时，我积极参与学校组织的各种活动和社团活动，担任过志愿者、组织者等角色，不断锻炼自己的组织和领导能力，提高自己的综合素质。
最后，在服务社会方面，我积极参与社会实践和志愿者活动，将自己所学的知识与社会实际相结合，为社会做出一些微小的贡献。
我曾参加过社区义务劳动，为邻里居民提供帮助；还曾去贫困山区开展支教活动，为贫困孩子们提供学习辅导；同时，我还积极参与学校志愿者服务队的各类活动，为社会和他人提供力所能及的帮助。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录
CONTENT 2
3
1
深度学习
卷积神经网络
TensorFlow Playground
4
参考文献
深度学习
深度学习的应用 1.计算机视觉 2.自然语言处理 3.人机博弈
参考文献： [1] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105). [2] Zeiler, M. D., & Fergus, R. (2013).Visualizing and understanding convolutional neural networks. arXiv preprint arXiv:1311.2901. [3] Haykin S. Neural Networks: A Comprehensive Foundation[J]. Neural Networks A Comprehensive Foundation, 1994:71-80. [4] Hagan M T, Beale M, Beale M. Neural network design[M]. China Machine Press, 2002.
神经网络
分类
神经网络
神经元
多层网络
神经元结构模型
神经网络
大型神经网络
构造一个超大型卷积神经网络[1]，有9层，共65万个神经元，6千万个参数。 网络的输入是图片，输出是1000个类
第一层：识别颜色和简单纹理
第二层：识别更加细化的纹理，比如布 纹、刻度、叶纹
第三层：负责感受黑夜里的黄色烛光、 鸡蛋黄、高光
不断地重复着上述过程，将卷积核（特征） 和图中每一块进行卷积操作。最后我们会 得到一个新的二维数组。其中的值，越接 近为1表示对应位置的匹配度高，越是接 近-1，表示对应位置与特征的反面更匹 配，而值接近0的表示对应位置没有什么 关联。
卷积神经网络
池化层
以上就是我们的卷积层，通过特征卷积，输出一个新的矩阵给下一层。 在图像经过以上的卷积层后，得到了一个新的矩阵，而矩阵的大小，则取决于卷积核的大小，和边缘的填充方式，总之，在样例中，我们得到
除了TensorFlow，目前还有一些主流的深度学习开源工具。从上图数据看出，TensorFlow都要远远 超过其他深度学习工具，在未来具有更大的潜力。
TensorFlow
欢迎 Data
蓝色代表正值，黄色代表负值 每组数据，都是不同形态分布的一群点。每一个点，都与生俱来了2个特征：x1和x2，表示点的位置
了7x7的矩阵。池化就是缩减图像尺寸和像素关联性的操作，只保留我们感兴趣（对于分类有意义）的信息。常用的就是2x2的最大池。
卷积神经网络
池化层
在2x2的范围内，取最大值。因为最大池化 （max-pooling）保留了每一个小块内的最大 值，所以它相当于保留了这一块最佳的匹配结 果（因为值越接近1表示匹配越好）。这也就意 味着它不会具体关注窗口内到底是哪一个地方 匹配了，而只关注是不是有某个地方匹配上了。 CNN能够发现图像中是否具有某种特征，而不 用在意到底在哪里具有这种特征。这也就能够 帮助解决之前提到的计算机逐一像素匹配的死 板做法。
THANK YOU
参考文献： [5] JT Springenberg , A Dosovitskiy , T Brox , M Riedmiller . Striving for Simplicity: The All Convolutional Net [J].Eprint Arxiv,2014. [6] Yosinski J, Clune J, Bengio Y, et al. How transferable are features in deep neural networks?[J]. 2014, 27:3320-3328. [7] Razavian A S, Azizpour H, Sullivan J, et al. CNN Features Off-the-Shelf: An Astounding Baseline for Recognition[C]// Computer Vision and Pattern Recognition Workshops. IEEE, 2014:512-519. [8] Donahue J, Jia Y, Vinyals O, et al. DeCAF: a deep convolutional activation feature for generic visual recognition[C]// International Conference on International Conference on Machine Learning. , 2014:I-647.
即使只输入两个特征，通过增加神经网 络的层数和神经元的个数，我们也能很 快很完美的分离蓝色和黄色的点
TensorFlow
左侧是原始输入空间下的分类图，右侧是转换后的高维空间 下的扭曲图。 深层神经网络： 为什么更深的网络会更加容易识别，增加容纳变异体 （variation）（红苹果、绿苹果）的能力、鲁棒性（robust） 1.数学视角：变异体（variation）很多的分类的任务需要高 度非线性的分割曲线。 2.物理视角：通过对“抽象概念”的判断来识别物体，而非 细节。层数越深，这种概念就越抽象，所能涵盖的变异体就 越多
CNN
卷积神经网络
如何判断？
对图进行逐个像素点对比 图片发生变化，不是标准X，但是我们 能够判断它为X；但是对于计算机而言 它就是二维矩阵，不能逐个像素点对 比。
CNN
提取特征
卷积神经网络
计算机对于图像的认知是在矩阵上的，每一张 图片有rgb二维矩阵（不考虑透明度）所以，一 张图片，应该是3x高度x宽度的矩阵。而我们这 个例子就只有黑白，所以可以简单标记1为白， -1为黑。是个9x9的二维矩阵
游乐场中的数据十分灵活。我们可以调整noise （干扰）的大小，还可以改变训练数据和测试数据 的比例多少
TensorFlow
特征提取 Feature extraction
从颜色就可以看出来，x_{1}左边是负，右边是正，x_{1}表示此点的横坐标值; 同理，x_{2}表示此点的纵坐标值。x_{1}^{2}是关于横 坐标值的“抛物线”信息. 每一个点都有x1和x2两个特征。除此之外，由这两个特征还可以衍生出许多其他特征.
搜索围棋下子方法的复杂度是10^172，而国际象棋只 有10^46
1.ALphaGo由三部分组成：蒙特尔卡罗树搜索（MCTS）、估值网络和走棋网络 2.ALphaGo真正的大脑是估值网络和走棋网络；走棋网络能以57%的准确率预测对方围棋的下一步落子点。
2
卷积神经网络
我们应当把CNN当作一个黑盒子，不要关心为什么，只 关心结果。 神经网络的结构会对神经网络的准确率产生巨大的影响， 而卷积神经网络是一个非常常用的神经网络结构。
当把x_{2}输出的一个权重改为-1 时，x_{2}的形状直接倒置了，此 时激活函数用的是liner
当换成sigmoid时，没有黄色区域 了。因为sigmoid的值域是(0,1)
TensorFlow
输出 Output
黄色背景颜色都被归为黄点类，蓝色背景颜色都被归为蓝点类。深浅表示可能性的强弱。在上面的分类分布图中你 可以看到每一层通过上一层信息的组合所形成的。权重（那些连接线）控制了“如何组合”。 选定特征之后，我们神经网络每一层的每一个神经元都将对它们进行组合，来进行计算，而下一层神经网络的神经元， 会把这一层的输出再进行组合。组合时，根据上一次预测的准确性，我们会通过back propogation给每个组合不同 的weights（比重）。连接线越粗表示比重越大
虽然单个神经元傻不拉叽， 但是65万个神经元能学到的 东西很深邃。
第四层：识别萌狗的脸、七星瓢虫和一堆圆形物 体的存在
第五层：可以识别出花、圆形屋顶、键 盘、鸟、黑眼圈动物
神经网络优化算法
计算机视觉
历年ILSVRC图像分类比赛最佳算法错误率
ILSVRC2013物体识别数据集中的样例图片
1.在人脸识别数据集上LFW（Labeled Faces in the Wild）上，基于深度学习算法系统DeepID2可以达到99.47%的 识别率 2.光学字符识别（ORC）是使用深度学习比较早的领域之一。在MNIST手写体数字识别数据集上，深度学习算法可以达 到99.77%的正确率
卷积神经网络
Relu是常用的激活函数，所做的工作就是max(0,x)， 就是输入大于零，原样输出，小于零输出零
3
TensorFlow
tensor（张量）的flow（流动），我们要讲的侧重点是阐 述的侧重点是“张量如何流动”。
TensorFlow
A.不同深度学习工具社区流行度指标比较
B.同深度学习工具社区参与度指标比较
我们的机器学习classifier（分类器）其实是在试图画一条或多条线,,当我们改变参数时，其实就是在将这条线左右移动 第一张图中，如果x1作为我们的唯一特征，我们其实就是在画一条和x1轴垂直的线。
TensorFlow
连接线
连接线表示权重，蓝色表示用神经 元的原始输出，黄色表示用负输出。 深浅表示权重的绝对值大小。
卷积神经网络
全连接层
全连接层一般是为了展平数据，输出最终分类结 果前的归一化。 我们把上面得到的4x4矩阵再卷 积+池化，得到2x2的矩阵 全连接就是这样子，展开数据，形成1xn的'条' 型矩阵。