A Matlab toolbox for Deep Learning Matlab/Octave toolbox for deep learning. Includes Deep Belief Net

　　深度学习的基本理论与方法 深度学习：一种基于无监督特征学习和特征层次结构的学习方法 可能的的名称： 1.深度学习 2.特征学习 3.无监督特征学习 2006年，加拿大多伦多大学教授、机器学习领域的泰斗

　　主要功能：在mnist数据库上做实验，验证工具箱的有效性 算法流程：1）载入训练样本和测试样本  2）设置CNN参数，并进行训练  3）进行检测cnntest() 注意事项：1）由于直接将所有测试样本

　　函数名称：cnnsetup  输入参数：net，待设置的卷积神经网络；x，训练样本；y，训练样本对应标签；  输出参数：net，初始化完成的卷积神经网络  主要功能：对CNN的结构进行初始化 算法流程

　　%%========================================================================= %函数名称：cnntrain（） %输入参数：n

　　函数名称：cnnff（） 输入参数：net，神经网络；x，训练数据矩阵； 输出参数：net，训练完成的卷积神经网络 主要功能：使用当前的神经网络对输入的向量进行预测 算法流程：1）将样本打乱，随机选择

　　函数名称：cnnbp（） 输入参数：net，呆训练的神经网络；y，训练样本的标签，即期望输出 输出参数：net，经过BP算法训练得到的神经网络 主要功能：通过BP算法训练神经网络参数 实现步骤：1）将

　　函数名称：cnnapplygrads（），权值更新函数 输入参数：net，权值待更新的卷积神经网络；opts，神经网络训练的相关参数 输出参数： 算法流程：先更新卷积层的参数，再更新全连接层参数 注意

　　最近研究了几天深度学习的Matlab工具箱代码，发现作者给出的源码中注释实在是少得可怜，为了方便大家阅读，特对代码进行了注释，与大家分享。 　　在阅读Matlab工具箱代码之前，建议大家阅读几篇CNN

　　There are many deep learning resources freely available online,but it can be confusing knowing where

　　Deep Learning Tutorials-深度学习笔记及代码，介绍最基础的逻辑回归、多层感知器、自动编码器、CNNs、LSTM等深度学习算法。

　　本文以Bremen大学机器学习课程的教程为基础的。总结了使用机器学习解决新问题的一些建议。包括： 可视化数据的方法 选择一个适合当前问题的机器学习方法 鉴别和解决过拟合和欠拟合问题 处理大数据库问题（

　　RNN是一个循环递归网络，因此在t时刻，网络的输出误差不仅与t时刻的隐含状态有关，也与t时刻之前的所有时刻的隐含状态有关。这一特点，正表明RNN相比传统的隐马尔科夫模型的优势是它充分考虑了历史所有时刻

　　RNN是一个图灵完全的模型，便意味着只要设计好RNN的外部存储机制，RNN模型的应用之广泛将远超我们的想象。为了更好地了解时序模型，从这期开始谈谈以RNN为核心的可扩展时序模型的研究状况及应用。 在神

　　1、原理回顾 机器作词是序列建模（以下简称seq2seq）的典型应用，其基本思想就是给定序列A，机器负责产生序列B，并且再将序列B作为输入，机器负责生成序列C...如此循环下去即可生成无限长度的序列。