gitchat资料。
从零开始学习BP神经网络。
本文主要叙述了经典的全连接神经网络结构以及前向传播和反向传播的过程。
通过本文的学习，读者应该可以独立推导全连接神经网络的传播过程，对算法的细节烂熟于心。
另外，由于本文里的公式大部分是我自己推导的，所以可能会有瑕疵，希望读者不吝赐教。
  虽然这篇文章实现的例子并没有什么实际应用场景，但是自己推导一下这些数学公式对理解神经网络内部的原理很有帮助，继这篇博客之后，我还计划写一个如何自己推导并实现卷积神经网络的教程，如果有人感兴趣，请继续关注我！

通过自编写的代码实现了LSTM的反向传播，与网文《LSTM反向传播详解Part1》《LSTM反向传播详解Part2》《LSTM反向传播详解（完结篇）Part3/3代码实现》配套

本资料为基于python的卷积神经网络(CNN)实现layer文件夹中包括卷积层、池化层、全连接层、relu层等基础层没有调用tensorflow,pytorch等深度学习框架，手动实现了各层的反向传播BP算法

研究了离焦量、脉冲能量、扫描间距、扫描速度和重复频率等激光加工参数对金属表面着色及微纳结构制备的影响机理，诱导制备了氧化膜、类光栅、凹坑和柱状突起4种结构，这些结构会使不锈钢表面产生薄膜干涉、光栅衍射和陷光等现象。
通过Matlab软件在工艺参数与颜色HSB值之间建立了一个单隐含层的反向传播（BP）神经网络，该神经网络的训练均方根误差为0.0078，色相H、饱和度S和亮度B的测试相对误差分别为23%，10.4%和5.6%。
该神经网络在一定程度上揭示了工艺参数与颜色之间的映射关系，使用该神经网络模型可以对激光着色效果作出有效的预测。

仅使用numpy从头开始实现神经网络,包括反向传播公式推导过程;numpy构建全连接层、卷积层、池化层、Flatten层；
以及图像分类案例及精调网络案例等

概率深度学习：反向传播贝叶斯，ProbabilisticDeepLearning_BayesbyBackprop。

反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大规模的应用。
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层

文章列表零基础入门深度学习(1)-感知器零基础入门深度学习(2)-线性单元和梯度下降零基础入门深度学习(3)-神经网络和反向传播算法零基础入门深度学习(4)-卷积神经网络零基础入门深度学习(5)-循环神经网络零基础入门深度学习(6)-长短时记忆网络(LSTM)零基础入门深度学习(7)-递归神经网络

BP算法，误差反向传播（ErrorBackPropagation,BP）算法。
BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。
利用python代码实现BP神经网络。

├─1.计算机视觉简介、环境准备(python,ipython)│computervsion.pdf│CS231introduction.pdf│├─2.图像分类问题简介、kNN分类器、线性分类器、模型选择│2.图像分类简介、kNN与线性分类器、模型选择.mp4│2.初识图像分类.pdf│├─3.再谈线性分类器│3.再谈线性分类器.mp4│再谈线性分类器.pdf│├─4.反向传播算法和神经网络简介│.反向传播算法和神经网络简介.pdf│4.反向传播算法和神经网络简介.mp4│├─5.神经网络训练1│5.-神经网络训练1.pdf│5.神经网络训练1.mp4│├─6.神经网络训练2、卷积神经网络简介│6.神经网络训练2.mp4│神经网络训练2.pdf│├─7.卷积神经网络│7.卷积神经网络.mp4│Lession7.pdf│├─8.图像OCR技术的回顾、进展及应用前景│8.图像OCR技术的回顾、进展及应用前景.mp4│PhotoOCR_xbai.pdf│└─9.物体定位检测物体定位检测.pdf│├─10.卷积神经网络可视化│.卷积神经网络可视化.pdf│10.卷积神经网络可视化.mp4│├─11.循环神经网络及其应用│11.循环神经网络及其应用.mp4│循环神经网络.pdf│├─12.卷积神经网络实战│12.卷积神经网络训练实战.mp4│卷积神经网络实战.pdf│├─13.常见深度学习框架介绍│常见深度学习框架介绍.pdf│├─14.图像切割│14.图像切割.mp4

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。