Math.py

• 本文為一系列課程之筆記，建議從" 機器學習基石筆記-1 "開始閱讀

• 本文討論內容請參考: 機器學習基石第十四講 : Regularization 機器學習基石第十五講 : Validation

• 本篇所有圖片部分由筆者製作，其它均為機器學習基石課程內容講義

---

• 本文為一系列課程之筆記，建議從" 機器學習基石筆記-1 "開始閱讀

• 本文討論內容請參考: 機器學習基石第十三講 : Hazard of Overfitting

• 本篇所有圖片部分由筆者製作，其它均為機器學習基石課程內容講義

---

• 本文為一系列課程之筆記，建議從" 機器學習基石筆記-1 "開始閱讀

• 本文討論內容請參考: 機器學習基石第十二講 : Non-Linear Transformation

• 本篇所有圖片部分由筆者製作，其它均為機器學習基石課程內容講義

---

• 本文討論內容請參考: Machine Learning (2017) 第十二講 : Semi-supervised

• 本篇所有圖片部分由筆者製作， Machine Learning (2017) 課程內容講義

概述

在此論文發表前的三年中，物件分類 / 偵測技術不僅隨著更強大的硬體、更大量的資料及更大的模型而有所進步，最主要的還是因為有著更多新的想法、演算法以及更好的網路架構所導致的。

在這篇論文中提出了一個新的網路架構 GoogLeNet 用了比 AlexNet 還要更少的參數 ( 約是 AlexNet 參數量的 1/12 ) 在 ILSVRC 2014 競賽上取得更好的成績，準確率更高。這告訴我們，現在的趨勢並非著重在更大更深的網路架構，而是如 R-CNN 一樣，結合深層網路結構與電腦視覺應用。

安裝前請先確認是否安裝Anaconda，若仍無安裝可參閱”Anaconda的安裝”

安裝前請先確認是否安裝Anaconda，若仍無安裝可參閱”Anaconda的安裝”

• 本文為一系列課程之筆記，建議從" 機器學習基石筆記-1 "開始閱讀

• 本文討論內容請參考: 機器學習基石第十一講 : Linear Model for Classification

• 本篇所有圖片部分由筆者製作，其它均為機器學習基石課程內容講義

• 本文為一系列課程之筆記，建議從" 機器學習基石筆記-1 "開始閱讀 >

• 本文討論內容請參考: 機器學習基石第九講 : Linear Regression 機器學習基石第十講 : Logistic Regression

• 本篇所有圖片部分由筆者製作，其它均為機器學習基石課程內容講義

---

此篇文章主要著重在 ImageDataGenerator 的使用，以及是否能增進 CNN 的辨識率，因此文章內主要的 CNN Architecture 均沿用 " 卷積神經網路 Convolutional Neural Network ( CNN ) 與 全連接神經網路 Fully Connected Feedforward Network 於 MNIST 上之實作 " 一文。