[学习日志]深度学习-李宏毅 卷积神经网络 CNN

最新推荐文章于 2023-01-08 09:57:58 发布
最新推荐文章于 2023-01-08 09:57:58 发布
阅读量398 收藏 2
点赞数
文章标签： 深度学习
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/gjh1716718326/article/details/112848538
版权
本文介绍了卷积神经网络（CNN）的基本概念，包括CNN的作用、卷积层、池化层和扁平层。CNN通过卷积核和滤波器提取图像特征，步长和滤波器参数共享减少模型复杂度。池化层进一步压缩特征，扁平层将特征展开用于全连接分类。通过学习，作者意识到机器学习在围棋等领域的应用，并指出机器学习的理解可能与人类认知存在巨大差异。
摘要由CSDN通过智能技术生成

CNN 在做什么

在这里插入图片描述
可以理解为CNN是在给全连接神经网络做简化
做简化的依据是人类学习的经验(每层的特征提取)
比如我们知道某些weight是不需要的,那么就可以去掉这条链接

CNN的概览

在这里插入图片描述

卷积层

相关名词:卷积核(过滤器)、步长（stride）
在这里插入图片描述
卷积后的矩阵可以看作是目标区域和Filter的相似度，值越高，相似度越高。

在这里插入图片描述
在更加复杂真实的应用环境里，图片是分rgb三层的，滤波器也是三层的。

在这里插入图片描述
卷积这一套理论(滤波器是、步长啥的)和神经网络是怎么联系起来的？
上图是真的神仙操作了&

最低0.47元/天 解锁文章
烫烫烫烫的若愚
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习(四) 卷积神经网络
weixin_53598445的博客
09-25 626
文章目录一、卷积神经网络（CNN）1.1 Image Classification1.1.1 CNN的第一种解释1.1.2CNN的第二种解释1.1.3 两种方法的比较1.2 池化层（pooling）二、注意力机制（self-attention） 一、卷积神经网络（CNN） CNN是专门被设计在影像上的，如图像分类 1.1 Image Classification 当我们对图像进行分类的时候，图像的大小可能是不一样的，所以我们把他们的形状变得一样再丢尽=进网络中进行训练。而对图像的表示方法，我们可以用独热向量
浅层神经网络学习笔记
qq_27327279的博客
06-29 553
20206-29 神经网络结构 神经网络结构大致分为一下几种结构： # 拉直层，把输入特征拉直成为一位数组 tf.keras.layers.Flatten() # 全连接层 tf.keras.layers.Dense(神经元个数,activation="激活函数",kernel_constraint="正则化方式") # 卷积层 tf.keras.layers.Conv2D(filters="卷积核个数",kernel_size="卷积核尺寸",strides="卷积步长", padding="vali
神经网络搭建笔记（一）
cpy52349119的博客
01-28 212
用Tensorflow API：tf.keras搭建网络八股 六步法 一、import：加载相关模块，如import tensorflow as tf，import pandas as pd等 二、train，test：区分训练集和测试集，如训练集X_train，y_train，测试集X_test，y_test 三、model = tf.keras.models.Sequential：在Sequential()中搭建神经网络框架，逐层描述神经网络，相当于走一遍前向传播 描述各层网络：model =
基于TensorFlow的CNN模型——猫狗分类识别器（四）之创建CNN模型
qq_41959920的博客
03-07 1053
注意：这是一个完整的项目，建议您按照完整的博客顺序阅读。 三、创建CNN模型 1、构建权重和偏置 在搭建神经网络层前，我们先来看下如何初始化神经网络层的权重和偏置参数。这一项非常重要，因为卷积层、全连接层等基本都需要这一步，所以我们先单独拿出来说明。 def __create_weights(self,shape): return tf.Variable(tf.truncated_normal(shape, stddev=0.05)) def __create_biases(self,si
CNN+LSTM--一种运动想象分类新模型
最新发布
脑机接口社区
01-08 7516
说到运动想象（motor imagenation, MI), 我们都很熟悉，它是指个体在心理上模拟给定动作时的动态状态。如何通过运动想象的脑电信号来分类个体的心理意图，一直是研究人员关注的重点，MI信号可以用于控制外部设备，如大脑控制的机器人、大脑控制的外骨骼、自动驾驶汽车等， 因此提高MI信号的分类准确性是极其有意义的。脑电图（EEG）的信噪比较低，因此如何从脑电图信号中提取特征并正确分类是BC...
深度学习-李宏毅
09-25
除了这些基础知识，李宏毅教授的讲义还会涵盖卷积神经网络（CNN）在图像识别中的应用，循环神经网络（RNN）及其变体如LSTM和GRU在序列数据处理中的应用，以及生成对抗网络（GAN）等高级主题。此外，他还可能介绍如何...
一天搞懂深度学习--李宏毅.zip
05-16
一天搞懂深度学习--台湾大学电机工程学助理教授李宏毅讲义pdf
1天搞懂深度学习-李宏毅.zip
01-07
然后，深入讨论神经网络，包括前馈神经网络（FFN）、卷积神经网络（CNN）和循环神经网络（RNN），这些是深度学习的核心模型。李宏毅教授可能会解释每一层神经网络的作用，权重和偏置的概念，以及反向传播算法如何...
深度学习-李宏毅-English.pptx
05-15
优质的深度学习资料 一天搞懂深度学习
一个ppt搞懂深度学习-李宏毅老师
03-30
深度学习的重要里程碑，如卷积神经网络（CNN）、循环神经网络（RNN）以及后来的长短期记忆网络（LSTM），都在PPT中有详尽的阐述。 深度学习的核心算法——反向传播，是训练神经网络的关键。PPT中可能详细解释了这个...
卷积神经网络(CNN)中全连接层(FC layer)的作用
热门推荐
Talk is cheap, show me the code!
06-03 3万+
前言 一般来说，卷积神经网络会有三种类型的隐藏层——卷积层、池化层、全连接层。卷积层和池化层比较好理解，主要很多教程也会解释。 卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容； 池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。 但是可怜的全连接层(Fully Connected laye...
张量扁平化——CNN的Flatten操作
m0_57569438的博客
04-08 2595
张量扁平化操作是卷积神经网络中的一个常见操作。这是因为在全连接层接受输入之前，传递给全连接层的卷积层输出必须被扁平化。我们了解到卷积神经网络的张量输入通常有4个轴，一个用于批处理大小，一个用于颜色通道，还有一个用于高度和宽度 即：(批量大小、通道、高度、宽度） 那么现在我们以一张图片为例，看看如何将它扁平化 这是一张彩色图片，也就是有r,g,b共三个通道，大小为128*128，按照上面的表示方法，我们可以将它表示为 [1,3,128,128] code： 好吧，可是看到，张量已经被拉平了，达到了我们预
TensorFlow学习--卷积神经网络CNN
huahuazhu的博客
06-30 4920
转载地址： 深度学习之卷积神经网络CNN及tensorflow代码实现示例http://blog.csdn.net/cxmscb/article/details/71023576 一、CNN的引入 在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢，例如一
论文理解：基于卷积神经网络的人脸识别方法
Enjolras_fuu的博客
03-03 2万+
本文是对陈耀丹、王连明的基于卷积神经网络的人脸识别方法的理解。 摘要：实现了一种基于卷积神经网络的人脸识别方法，该网络由两个卷积层，两个池化层、一个全连接层和一个softmax回归层组成，它能自动提取人脸特征并进行分类，网络通过批量梯度下降法训练特征提取器和分类器，各隐层应用“dropout”方法解决了过拟合问题，应用于ORL和AR人脸数据库的人脸识别率分别达到99.50%和99.62%，识别单张
深入学习卷积神经网络（CNN）原理
Wu_whiteHyacinth的博客
03-09 855
1例子引入 假设我们有这样的一张图片，大小8×8： 图片中的数字代表该位置的像素值，图的中间两个颜色的分界线就是我们要检测的边界。怎么检测这个边界呢？我们可以设计这样的一个 滤波器（filter，也称为kernel卷积核），大小3×3 然后，利用这个filter，往我们的图片上“盖”，覆盖一块跟filter一样大的区域之后，对应元素相乘，然后求和。计算一个区域之后，就向其他区域挪动，...
Keras 搭建图片分类 CNN （卷积神经网络）
青笔
09-24 6391
1. 导入keras from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense 2. Conv2D 构建卷积层。用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数，或者输出深度。因此，图...
卷积神经网络的层次结构
辰的博客
09-20 2万+
卷积神经网络的层级结构 数据输入层（Input Layer） 卷积层（Convolutional Layer） 激活层（Relu Layer） 池化层（Pooling Layer） 全连接层（FC Layer） 一、数据输入层 数据输入层主要是对原始数据进行初步处理，使卷积神经网络能有更好的效果。处理方法有： 灰度化： 图片一般是通过一个三维矩阵存储的，矩阵的大小为（width，heigh...
六步法搭建神经网络
HouYing
07-26 451
tf.keras搭建网络八股 六步法： import 导入模块 train,test 训练集和测试集是什么（训练集输入特征x_train和训练集的标签y_train） （测试集输入特征x_test和测试集的标签y_test） model = tf.keras.models.Sequential 在Sequntial()中搭建网络结构，逐层描述每层网络，走一遍前向传播 model.c...
深度学习分享4：tensorflow keras介绍
qq_35096008的博客
05-21 313
第四章tensorflow高级API：tf.keras1 import相关模块2 train，test数据导入3 搭建神经网络4 训练方法5 一些超参数设置6 打印出网络的结构和参数统计 tensorflow高级API：tf.keras 搭建网络步骤： 1 import相关模块 2 train，test数据导入 并指定x_train,y_train,x_test,y_test。 3 搭建神经网络 model=tf.keras.models.Sequential([ 网络结构])逐层搭建神经网络，相当于走了
深度学习入门：李宏毅讲授CNN卷积神经网络
"本文将介绍卷积神经网络(CNN)的基本概念、设计原理及其在图像识别中的应用，适合深度学习初学者了解和学习。" 卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域中用于图像处理和识别的一种...
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