深度学习
文章平均质量分 66
理论+实践
_(*^▽^*)_
个人水平有限,如果有写错的地方,或者可以改进的地方,希望网友能够批评指正!
展开
-
深度学习(7)卷积神经网络
一、卷积神经网络整体介绍1、卷积层:提取图像底层特征2、池化层:防止过拟合,且将数据维度减小3、全连接层:汇总卷积层和池化层得到的图像的底层的特征和信息4、最后进行输出二、卷积1、感受野感受野:卷积核光顾到的地方。(感受到的视野)2、外层补0(padding)外层补0,防止原来最外层的元素访问次数过少。(中间的访问次数最多)2、特征图(结果图)原图和卷积...原创 2021-09-25 15:14:45 · 1151 阅读 · 0 评论 -
深度学习(6)构造简单的神经网络
DROP-OUT:训练阶段损失一部分的神经元,防止过拟合。原创 2021-09-17 22:54:21 · 629 阅读 · 0 评论 -
深度学习(5)感知机(神经元)与神经网络
目录感知机(神经元)一个感知机:两个感知机:三个感知机:神经网络例(神经网络)感知机(神经元)感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机:可以发现处理效果不咋样,只能处理一部分数据。两个感知机:处理效果比刚才好了很多。三个感知机:可以发现处理效果已经很不错了,比刚才好了很多。一个感知机解决不了,...原创 2021-09-29 22:53:52 · 905 阅读 · 0 评论 -
深度学习(4)基础4 -- 神经网络架构&&激活函数&&过拟合处理
目录一、神经网络架构1、结构与意义2、过程1、输入数据,得到输入层2、得到隐藏层13、得到隐藏层24、得到输出层二、神经元数量一、神经网络架构1、结构与意义神经网络一层一层地处理。输入层(input layer)有多少个圈,代表输入数据多少。隐层没有特定的含义,它只是一个数值,便于计算机更好地认识,隐层和每个输入层全连接。2、过程1、输入数据,得到输入层2、得到隐藏层1先输入数据,通过输入层[1*3],经过权重...原创 2021-09-16 13:49:51 · 685 阅读 · 0 评论 -
深度学习(3)基础3 -- 前向传播与反向传播
目录一、前向传播前向传播过程二、反向传播(梯度下降)1、过程2、门单元一、前向传播前向传播:从前往后,逐层计算。前向传播过程1、先得到得分2、把得分的差异放大(差异化,e^x)3、归一化,得到概率4、计算损失值拿到数据之后,先经过得分函数,并不是经过一次变换,而是多次的变换。二、反向传播(梯度下降)1、意义从后往前,逐层求导,可以得到前一项的权重。例如:三个求偏导意义分别是:x、y、...原创 2021-09-15 20:44:59 · 5562 阅读 · 0 评论 -
深度学习(2)基础2 -- 分类:得分函数&&损失函数(损失、正则化惩罚项、梯度下降、学习率)&&概率
目录一、得分函数1、10分类2、5分类二、损失函数0、引言1、损失函数(数据损失)2、损失函数应用3、损失函数(数据损失与正则化惩罚项)三、概率一、得分函数1、10分类W:权重参数,类别个数(决定性参数)b:偏置,微调参数(非决定性参数)x:像素点个数。3072:3072:32*32*3 = 3072(3072个像素点)10:10个类别每个类别都有其各自的权重。(如w1类别可以是猫,w2类别可以是狗)2、5分类..原创 2021-09-15 15:22:21 · 3739 阅读 · 0 评论 -
深度学习(1)基础1 -- 深度学习与神经网络基础
深度学习能够学习到,什么特征是最合适的。深度学习解决的核心问题:如何提取特征。特征提取:原创 2021-09-15 13:56:15 · 1017 阅读 · 0 评论