一:神经网络
学习率:控制更新步长
损失函数:衡量模型输出与真实的标签之间的差距
Drop:随机失活
二:卷积神经网络
1.卷积层:
图像识别特点:
特征具有局部性,特征可能出现在任何位置:卷积核每次仅连接K*K区域,K*K是卷积核尺寸
卷积核:具可学习参数的算子,用于对输入图像进行特征提取,输出通常称力特征图(feature
maps)
![](https://img-blog.csdnimg.cn/direct/b694e6a9a41847d1aa613a5c9a099cb5.png)
填充(padding):在输入图像的周围添加额外的行/列
步幅(stride):卷积核滑动的行数和|列数称为步幅,控制输出特征图的大小,会被缩小1/s倍
多通道卷积:
分清楚二维卷积与三维卷积
2.池化层:特殊的卷积层
池化作用∶
1.缓解卷积层对位置的过度敏感
2.减少冗余
3.降低图像分辨率,从而减少参数量
3.Lenet-5
二:循环神经网络RNN
序列数据:序列数据是常见的数据类型,前后数据通常具有关联性
语言模型:
梯度随时间t呈指数变化,易引起梯度消失或者梯度爆炸
门控循环单元: