梯度检验 欢迎来到本周的最后作业！ 在这个任务中，您将学习实现并使用梯度检验。 您是全球范围内开展移动支付的团队的一部分，并被要求建立一个深度学习模式来检测欺诈行为 - 每当有人付款时，您想要查看付款是否有欺诈行为，例如用户 帐户已被黑客占用。 但是反向传播实施起来相当具有挑战性，有时会有错误。 因为这是关键任务应用程序，所以贵公司的首席执行官要真正确定您的反向传播实施是正确的。 你的首席执行官说：“给我一个证明你的反向传播实际上是有效的！” 为了让这个保证，你将使用“梯度检验”。 我们开始做吧！ 首先依旧是导入所…

正则化 Let's first import the packages you are going to use. # import packages import numpy as np import matplotlib.pyplot as plt from reg_utils import sigmoid, relu, plot_decision_boundary from…

初始化 欢迎来到“改进深度网络”课程作业的第一周第一部分。 训练你自己的深度网络需要指定权重的初始值，精心挑选的初始化方法将有助于学习的进度。 如果你完成了之前的课程，你可以按照我们的指导进行权重初始化，并且现在已经完成了。但是，你如何对一个新的神经网络进行初始化？在本次作业，你会看到不同的初始化会带来不同的结果。 一个良好的初始化能够： l  加速梯度收敛 l  增加梯度下降收敛到较低的训练（和泛化）错误的几率 为了开始本作业，请运行下面的单元格来加载用来尝试分类的packages和plana…

改善深层神经网络：超参数调试、正则化以及优化 第一节 训练、验证、测试集 对于数据，我们可以划分为以下3类： （1）训练集（Train Set），顾名思义，用来训练模型的数据。 （2）交叉检验集(hold-out cross validation set)，选出最好的模型。 （3）测试集，最后利用测试集对模型进行测试，获取模型运行的无偏估计。 一般情况下，要求交叉检验集和测试集越小越好（当然在数据较小的时候可以采用7/2/1的比例）。 验证集的目的是为了验证不同的算法哪种更加有效，所以验证集只要足够大能够验证大约2…

个人翻译，水平有限，仅供参考。 摘要 我们展示了Deep Voice，一个完全由深度神经网络构建的生产质量的文本到语音系统。 Deep Voice为真正的端到端神经语音合成奠定了基础。该系统包括五个主要构件：用于定位音素边界的分段模型，字形到音素转换模型，音素持续时间预测模型，基频预测模型和音频合成模型。对于分割模型，我们提出了一种使用连接主义时间分类（CTC）丢失的深度神经网络进行音素边界检测的新方法。对于音频合成模型，我们实现了WaveNet的一个变体，它需要更少的参数，并且训练速度比原来的要快。通过对每个组件…

应用于图像分类的深度神经网络：应用 完成本节后，您将完成第4周的最后编程任务，也完成本课程的最后编程任务！ 您将使用您在之前的作业中实施的函数来构建深度网络，并将其应用于猫与非猫分类。 希望相对于之前的逻辑回归实现，您将看到精度的提高。 完成这项任务后，您将能够： 建立和应用深度神经网络监督学习。 1 – 包 Let's first import all the packages that you will need during this assignment. numpy is the fundamen…

Part 1：Building your Deep Neural Network: Step by Step 1 - Packages Let’s first import all the packages that you will need duri ng this assignment. - numpy is the main package for scientific computing with Python. - matplotlib is …