![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习笔记
文章平均质量分 72
详细讲清楚深度学习的来龙去脉
chao_666666
这个作者很懒,什么都没留下…
展开
-
卷积神经网络(CNN)笔记——多图深入理解
卷积神经网络是一种精心设计的神经网络架构,内部结构精妙高效,赋予了它强大的特征提取和表达能力。作为推动人工智能飞速发展的重要力量,CNN无疑是深度学习领域最杰出、最广泛应用的模型之一。通过对输入数据进行多层次的卷积和池化操作,CNN可以从低级到高级、从小尺度到大尺度地逐步提取特征。卷积层发挥了特征提取的核心作用,池化层起到降维和压缩特征的效果,而全连接层则负责将这些分布式特征整合,得出最终结论,完成分类、预测等任务。原创 2024-04-13 12:00:05 · 800 阅读 · 0 评论 -
卷积学习笔记——一文直观形象弄懂
因此,卷积不仅是一种数学美妙的运算,更是人工智能领域中一个行之有效的"法术",赋予了神经网络强大的特征提取能力。在神经网络的世界中,卷积操作犹如一个神秘的魔术师,它以一种精巧的方式提取出图像、声音等数据中的关键特征,为神经网络模型赋能。如果我们把火车头方向反过来(加上负号),并让火车动起来(加上时间t),那么火车头与隧道入口的重叠面积(两个函数相乘)就是著名的卷积公式了。通过多层卷积和pooling操作的组合,CNN可以逐步提取出图像的高级语义特征,最终实现对图像的精准分类和识别。原创 2024-04-12 19:23:44 · 587 阅读 · 0 评论 -
神经网络学习笔记——大白话直观理解!
同样,神经网络也会通过中间的各种结构和计算,将输入数据分类到正确的输出类别中。总的来说,神经网络通过对输入数据进行多层次的非线性变换,提取出高层次的抽象特征,从而实现对复杂模式的精准识别和分类。在这个过程中,神经网络也可能会对输入数据进行升维操作,使其从原始的低维数据空间映射到更高维的特征空间,增强数据的可分离性。例如,在手写数字识别任务中,一个浅层神经网络可能只能识别较为简单的数字形状,但通过叠加多个隐藏层后,网络就能逐步提取更高层次的特征,比如圆形、拐角等,最终精准识别各种笔画复杂的手写数字。原创 2024-04-12 18:51:58 · 320 阅读 · 0 评论