导读:深度学习作为人工智能的一个分支,在计算机视觉处理方面取得的巨大成就,与深度学习中的算法及方法密切相关,如卷积神经网络、反向传播算法、正则化方法、迁移方法等。其中很多方法具有普遍性,在自然语言处理中也得到了广泛应用。本文将介绍卷积神经网络。
本文末尾为大家准备了人工智能学习资料,想学习这方面的可以免费领取。
历史文章推荐:
一文看懂自然语言处理-NLP(4个典型应用+5个难点+6个实现步骤)
NLP三大特征提取器全梳理:RNN vs CNN vs Transformer
传统神经网络层之间都采用全连接方式,如果采样数据层数较多,且输入又是高维数据,那么其参数数量可能将是一个天文数字。
比如训练一张1000×1000像素的灰色图片,输入节点数就是1000×1000,如果隐藏层节点是100,那么输入层到隐藏层间的权重矩阵就是1000000×100!如果还要增加隐藏层,进行反向传播,那结果可想而知。不止如此,采用全连接方式还容易导致过拟合。
因此,为更有效地处理图片、视频、音频、自然语言等数据信息,必须另辟蹊径。经过多年不懈努力,人们终于找到了一些有效方法及工具。其中卷积神经网络就是典型代表。
01 卷积网络的一般架构
卷积神经网