1、CNN(卷积神经网络)
由卷积层、池化层(采样层)、全连接层构成
2、卷积层的作用
使用卷积核(滤波器)进行特征提取
3、池化层的作用
对卷积层输出的特征图进行特征提取(特征选择),去除多余特征,保留主要特征,重构新的特征图。能够有效缩小参数矩阵的尺寸,从而减少最后全连接层中的参数数量,可以有效提高计算效率和防止过拟合。
4、激活函数的作用
不带激活函数,只能解决线性可分问题,无法解决线性不可分问题。
激活函数是非线性的,能够增强神经网络的表达能力。
5、数据、算法和算力哪个更重要
数据是基础,质量高,多样性足够多的数据可以帮助训练更准确和有效的模型,否则即使有强大的算法和算力,也难以取得好的结果。
算法决定了如何从数据中提取信息、进行分析和做出决策,优秀的算法可以充分利用数据,提高模型性能。不同的任务需要不同的算法,算法选择很重要,算法的创新可以在相对有限的数据和算力下获得出色的结果
算力是指用于处理大规模数据和复杂计算的硬件资源。在一些大规模深度学习和机器学习任务中,强大的算力可以加速训练过程并使模型更快地收敛。