卷积神经网络（李宏毅深度学习 task 6）

最新推荐文章于 2023-05-27 16:11:21 发布
最新推荐文章于 2023-05-27 16:11:21 发布
阅读量586 收藏 1
点赞数
分类专栏： 李宏毅深度学习 文章标签： 卷积 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yzy_fulture/article/details/119031361
版权

卷积神经网络

1. 为什么使用CNN

本质：使用power-knowledge把原来fully connect layer中一些参数拿掉就成了CNN

1.1 Small region

为什么我们可以把一些参数拿掉（为什么可以用较少的参数来做影像处理）

  1. 原因：在影像处理中，第一层的hidden layer那些neural要做的事就是侦测某一种pattern，有没有某一种pattern出现。同时，大部分的pattern要比整张image要小。对于一个neural来说，假设他要知道一个image里有没有某一个pattern的出现，并不需要看整张image，只需要看image的一小部分
    在这里插入图片描述
  2. 举例：在上图中，第一个hidden layer的某一种neural的工作就是要侦测有没有鸟嘴的出现（有一些neural侦测有没有爪子，有一些neural侦测有没有翅膀等，合起来就可以侦测图片中某一只鸟）。此时，我们并不需要看整张图，只需要给neural看鸟嘴的区域（小红方框内）。

所以，每一个neural连接到每一个小块的区域就好，不需要连接整张图片

1.2 Same Patterns

  1. 解释：同样的pattern在不同的image中，可能会出现的image的不同位置，但是代表同样的含义，他们有同样的形况，可以用同样的neural，同样的参数就可以把pattern侦测出来
    在这里插入图片描述
  2. 举例：如上图所示，两幅图片中都有着鸟嘴的出现，但鸟嘴出现在两张图片的不同位置。我们要知道，这个neural侦测左上角和中间有没有鸟嘴做的事情是一样的，并不需要两个neural去做两组参数，只用一组参数即可

1.3 Subsampling

  1. 解释：对一个image可以做Subsampling（把一个image的奇数行偶数列的pixel拿掉，变成原来十分之一的大小，但不会影响人对这张image的理解，从而达到减少
最低0.47元/天 解锁文章
Y_fulture
关注
专栏目录
10、【李宏毅机器学习（2017）】Convolutional Neural Network（卷积神经网络）
Jimmyzqb的博客
08-29 3848
上一篇博客介绍了神经网络构建的整个过程以及优化思路，本篇博客将进一步介绍卷积神经网络（CNN，Convolutional Neural Network）。 目录 Why CNN？ CNN模型 Convolution Max Pooling Convolution+Max Pooling Keras实战演练 Why CNN？ CNN本质是原来full-connecte...
李宏毅机器学习笔记5：CNN卷积神经网络
weixin_34066347的博客
04-10 239
李宏毅老师的机器学习课程和吴恩达老师的机器学习课程都是都是ML和DL非常好的入门资料，在YouTube、网易云课堂、B站都能观看到相应的课程视频，接下来这一系列的博客我都将记录老师上课的笔记以及自己对这些知识内容的理解与补充。(本笔记配合李宏毅老师的视频一起使用效果更佳！） Lecture 7: CNN 目录 一、CNN的引入 二、CNN的层次结构 三、CNN的小Demo加深对CNN...
李宏毅深度学习task6
weixin_46714700的博客
07-24 266
CNN-卷积神经网络 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer） CNN 解决了什么问题？ 在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因： 1、图像需要处理的数据量太大，导致成本很高，效率很低 2、图像在数字化的过程中很难
【机器学习】李宏毅——卷积神经网络CNN
FavoriteStar的博客
09-08 604
【机器学习】李宏毅——卷积神经网络CNN，讲解了其过程和原理
李宏毅《机器学习》卷积神经网络
qq_26059615的博客
05-29 232
卷积神经网络
李宏毅深度学习打卡task04深度学习初步P13
hanxiaoxu_的博客
08-22 213
本文来源Datawhale分享的深度学习资料 深度学习发展趋势 1958: Perceptron (linear model) 1969: Perceptron has limitation 1980s: Multi-layer perceptron Do not have significant difference from DNN today 1986: Backpropagation Usually more than 3 hidden layers is not helpful
【李宏毅深度学习CP1-2】(task1)机器学习简介
202xxx的博客
08-16 2952
目录 机器学习介绍 机器学习相关的技术 监督学习 半监督学习 迁移学习 无监督学习 监督学习中的结构化学习 强化学习 为什么我们需要学习机器学习? 机器学习介绍 1950年 人工智慧(AI)、Artificial Intelligence 1980年 机器学习(ML) 、Mechine Learning 2010年 深度学习(DL)、Deep Learning 机器学习相关的技术 监督学习 监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所...
李宏毅的机器学习作业3
qq_45878378的博客
08-19 1740
李宏毅的机器学习作业3作业要求数据处理模型搭建 作业所需数据 akti 作业参考答案 作业要求 本次作业是一个图像识别任务，要将所给的食物图片分类，共有十一种，图片对应的食物编号在图片名字的前缀上。本此作业需要用到的是卷积神经网络cnn，以pytorch实现,由于任务较简单，所以使用的网络结构并不复杂。 数据处理 先总结一下对数据的处理步骤。 读取文件，提取标签 def readfile(path, label): # label 是一個 boolean variable，代表需不需要回傳 y 值
《动手学深度学习》PyTorch版 Task03
DOVIS_song的博客
02-16 1004
一、过拟合、欠拟合及其解决方案 知识点笔记笔记： 　　模型选择、过拟合和欠拟合： 　　　　训练误差和泛化误差： 　　　　　　训练误差 ：模型在训练数据集上表现出的误差， 　　　　　　泛化误差 ： 模型在任意一个测试数据样本上表现出的误差的期望，常常用测试数据集上的误差来近似。 　　　　　　二者的计算都可使用损失函数（平方损失、交叉熵） 　　　　　　机器学习模型应关注降低泛化误差 模型选择： 　　　...
【李宏毅机器学习笔记】9、卷积神经网络（Convolutional Neural Network，CNN）
ACL_lihan的博客
02-20 1516
【李宏毅机器学习笔记】1、回归问题（Regression） 【李宏毅机器学习笔记】2、error产生自哪里？ 【李宏毅机器学习笔记】3、gradient descent 【李宏毅机器学习笔记】4、Classification 【李宏毅机器学习笔记】5、Logistic Regression 【李宏毅机器学习笔记】6、简短介绍Deep Learning 【李宏毅机器学习笔记】7、反向传播...
【机器学习】李宏毅 - 06 卷积神经网络CNN
wyw970624的博客
10-21 784
卷积层；池化；共享参数；感受野
李宏毅机器学习_卷积神经网络(CNN)
最新发布
m0_68477761的博客
05-27 704
卷积神经网络(CNN)是一种馈前神经网络,其采用卷积、池化和全连接等结构,在图像分类、目标检测、语义分割等视觉任务上有着广泛应用。CNN主要由卷积层、池化层和全连接层组成。卷积层使用卷积核对输入进行卷积运算,可以自动学习输入的空间特征。池化层对卷积层输出进行下采样,用于降维和提取主要特征。全连接层用于分类或回归任务。CNN全称是卷积神经网络(Convolutional Neural Network),是一种馈前神经网络,其架构包含卷积层、池化层和全连接层。常用于图像分类、自然语言处理等领域。
李宏毅深度学习笔记（十一）CNN（卷积神经网络）
comli_cn的博客
11-17 1863
我的氛围
李宏毅机器学习-卷积神经网络
weixin_51352168的博客
05-25 491
CNN
李宏毅机器学习——卷积神经网络
Virginica的博客
10-23 240
Lecture 6 convolutional neural network（卷积神经网络） Image identification 输入比如100*100的图像，三层，每层上数字代表深度，按100*100*3输入，如果输出维度是1000，那么如果全部考虑需要3*10^7，如何简化？ convolution：原理：只根据图片的一小部分就能识别，比如鸟嘴，那么：选一个小区域（receptive field）只关注一个小范围有什么，receptive field可以有大有小，可以重叠，但是通常typic
李宏毅深度学习——卷积神经网络CNN
m0_58586235的博客
03-13 3146
卷积层有两种解释方式如下 版本一 神经元 当我们人类在识别物体时，是分特征部位进行辨识。（比如，有尖尖的嘴，有羽毛，有翅膀，会飞，则可能为鸟类）可以将图片中的物体分成好几个部分（如鸟类的翅膀，喙），在对每个部分进行识别时，可以以接受域（receptive field)作为输入单位。每一个接受域由多个像素组成，可由一个或多个神经元识别。 如上图所示，每个部分可以链接不同的神经元，不同部分之前可以重叠。 每个接受域在作为神经元的输入时，需要展成一个一维向量。 接受域内的卷积核可以按照...
卷积神经网络|深度学习（李宏毅）（四）
weixin_42431920的博客
06-19 302
1. 为什么使用CNN处理图片 在图片中有一些比整张图片要小的pattern（比如鸟的图片中鸟的喙就是一个小的pattern），识别这些pattern并不需要看整张图片。 这些小的pattern会出现在图片的不同位置，例如鸟图片中鸟的喙可能出现在左上角也可能出现在中间。 对图片进行降采样（池化）不会改变图片的特征，因此神经网络处理图片所需的参数就会更少。 2. 卷积 v.s. 全连接   可以将卷积网络看作一种特殊的的全连接网络，每一个卷积核卷积后得到的feature map可以看做一个隐藏层的输出，f
李宏毅深度学习--卷积神经网络
Rachale_的博客
07-24 518
李宏毅深度学习–卷积神经网络 1. convolution stride表示步长，也就是每次挪动的距离，stride=1表示每次移动一格，每行移动到末端就往下移动一格继续从左开始往右挪动。每次计算image矩阵中得到的红框矩阵与filter 1的内积，最终可以得到下图右下角的4*4矩阵。这个矩阵叫feature map。 可以坚持某种模式是否存在 有没有连续的1连续出现，观察上述得到的4*4的矩阵，就可以发现（1,1）与（4,1）处等于3，因此说明原矩阵中左上角和左下角的两个地方有连续的1出现，如下图
李宏毅深度学习教程：入门神经网络与深度学习基础
教程内容包括深度学习的基本技术、神经网络的变体、训练深度神经网络的技巧以及深度学习的未来趋势等。教程通过丰富的图片和简单易懂的方式阐述了深度学习的核心概念。" 深度学习是当前人工智能领域的一个重要分支...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值