Update README.md

README.md

@@ -20,36 +20,6 @@
       
    努力学习中...
 
-## 总结
-#### 1. DNN不一定比传统方法好，效果也与数据量有关，数据量少的时候可能传统方法表现更好（当然也可能是神经网络）
-####  ![image](https://github.com/JudasDie/deeplearning.ai-course/raw/master/images_md/DataScalevsMethod.png)   
-
-#### 2. Cost Function采用的是交叉熵，没有用均方差，凸优化问题
-####  ![image](https://github.com/JudasDie/deeplearning.ai-course/raw/master/images_md/CostFunction.png)    
-
-#### 3. 常用的四种激活函数：Sigmoid,tanh,ReLU,leakey ReLU,可以推到一下其求导
-![image](https://github.com/JudasDie/deeplearning.ai-course/raw/master/images_md/ActivationFunction.png)   
-
-#### 4. DNN前向传播和后向传播整体流程
-![image](https://github.com/JudasDie/deeplearning.ai-course/raw/master/images_md/Propagation.png)   
-
-#### 5. Project2 week1 *Practical aspects of Deep Learning* 的一些总结
-- 除非过拟合，否则Dropout不是一定要用的（可以先看看Cost Function变化趋势）
-- 可以对每层设置不同Dropout Rate，参数多的设置稍微大些 
-- 增加数据集的方法：水平翻转图片，图片裁剪等对原始图片做出一定变化  
-- 一般要进行**输入归一化**，这样梯度下降的速度可能相对较快  
-- 初始化时候不要设置过大，不然梯度会很小（程序中有相关体现，程序中用的是He-Initialization,一定程度缓解梯度消失或梯度爆炸)  
-- Gradient Checking对找到bug很有参考意义 
-
-#### 6. Project2 week2 *Optimization algorithms* 的一些总结
-- 随机梯度下降不会收敛在最优位置，会在最优位置附近震动
-- 如果样本数目比较小(<2000 通常)不需要使用mini-batch
-- mini-batch大小通常16,64.128,256等（2的次方）（由于计算机的存储规则）
-- 想理解Momentum最好去了解一下指数加权平均（课程视频讲的很详细）
-- 当维度较高时，可能局部最优的困扰并不存在，问题可能是到达鞍部时候梯度很小，这也是Momentum的作用（过去听课程其他课程时候一直强调的是局部最优问题）
-- Adam通常的参数取值：beta1=0.9（Momentum）,beta2=0.999(RMS prop) 
-- 一定要注意Adam更新参数时分母加一个eps，原来程序结果一支不对就是这里炸了
-
 ## 说明
 如果你感觉这个仓库对你有用或者起到了某些帮助，请点亮一个小星星或者fork哦，不要做伸手党啦