深度学习神经网络训练问题解决和经验指南

深刺 使用深度学习纠正拼写错误 动机 该项目的灵感来自在上发表的文章。 可以在Github上找到他的代码。 2017年1月，我开始了并且从第一堂课开始就迷上了。 以前，我曾多次听到过“神经网络”一词，并且对它们可以完成的事情有一个大致的了解，但从未对它们的“工作原理”有所了解。 自完成课程以来，我没有太多机会来尝试这项技术，但是我一直在考虑它的用途，尤其是在信息检索领域，这是我过去十年来一直致力于的领域。 除非您是Google，否则纠正拼写错误的典型技术是，或者它的近亲是。 魏斯先生很好地解释了为什么这些方法效果不佳。 目标 使用Tensorflow重新实现Weiss先生的递归神经网络（RNN），并达到相同的准确性水平。 他建议尝试实施某些探索领域以及其他领域，以查看是否可以获得进一步的改进。 编码 该代码的第一部分主要涉及下载Google发布的并对其进行设置，以进行培训，而这主要是

Caffe：用于快速特征嵌入的卷积架构

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

011_基于随机森林算法(RF)的数据分类预测 Matlab代码实现过程，调用TreeBagger函数实现

010_基于随机森林算法(RF)的数据回归预测 Matlab代码实现过程，调用TreeBagger函数实现

004_基于支持向量机(SVM)的数据回归预测 Matlab代码实现过程，调用了libsvm工具箱实现

深度学习神经网络模型权重

Deep Learning and Convolutional Neural Networks for Medical 本书详细介绍了在医学图像计算中的语义对象检测和分割以及大规模放射学数据库挖掘的深度学习方法。特别关注卷积神经网络的应用，理论支持实际例子。特性：突出显示了如何使用深度神经网络来解决新的问题和协议，以及如何改进医学图像计算中的现有挑战;探讨博士的深刻研究经验。全面回顾了最新的研究和文献;描述了一系列不同的方法，这些方法利用深度学习在2D和3D医学成像中进行物体或地标检测任务;使用医学成像中的深度学习原理检查语义分割的各种选择技术;在大规模的放射图像数据库中引入了一种新颖的交错文本和图像深度挖掘方法。

本课程通过一系列内容讲解和编码实战，按照由易到难，由浅入深的顺序展开， 让学员在实践中，依次对传统机器学习中的回归问题和分类问题， 基于传统机器学习的自然语言处理技术，神经网络和深度学习， 以及基于深度学习的自然语言处理技术进行编码实现， 使得学员可以在编码中对机器学习有一个直观的认识和体验， 在实践中完成理论联系实际的过程并加深对机器学习技术的理解与运用。