CNN---李宏毅《机器学习》笔记06

最新推荐文章于 2023-09-19 20:54:49 发布
最新推荐文章于 2023-09-19 20:54:49 发布
阅读量145 收藏
点赞数
分类专栏： 李宏毅《机器学习》 文章标签： cnn 深度学习 机器学习
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/ppsswhite/article/details/119974838
版权
本文详细介绍了CNN（卷积神经网络）在机器学习中的重要性，通过鸟嘴检测的例子阐述其减少参数的需求，讲解了CNN的架构，包括Convolution、Max Pooling和Flatten等关键步骤，并探讨了Deep Dream和Deep Style的应用，最后讨论了CNN在围棋和语音文本处理等领域的应用。
摘要由CSDN通过智能技术生成

文章目录

一、为什么要使用CNN?

  1. 全连接前馈网络做影像处理时需要太多参数
  2. 用power knowledge 把其中一些参数拿掉就变成了CNN

以鸟为例子

  1. Small region：假设有一个neural的工作是要侦测有没有鸟嘴的存在，那只需要给neural看一小方框的区域(鸟嘴)，判断它是不是一个鸟嘴，不需要去看整张图。所以，每个neural连接到每一个小块的区域就好了，不需要连接到整张完整的图。
  2. Same Patterns：对于不同位置的鸟嘴，不需要专门训练不同的detector，可以用同一组参数，从而减少需要的参数的量。

在这里插入图片描述
3. Subsampling：把一个image的奇数行，偶数列的pixel拿掉，变成原来十分之一的大小，它其实不会影响人对这张image的理解

二、CNN的架构

  1. 基于上述三个观察设计出CNN的架构如下，前两个用convolution处理，最后一个可以用Max Pooling处理
    在这里插入图片描述

三、Convolution

  1. Small region：
    在这里插入图片描述
  2. Same Patterns：
    从左上角开始，一次移动一步，从66的matrix得到44的matrix
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  3. convolution和fully connected之间的关系：首先是拿掉了weight（shared weight）
    在这里插入图片描述

四、Max pooling

  1. 根据filter1得到一个4*4矩阵后，把四个value合成一个value，减小image
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

五、Flatten

  1. 就是把feature map 拉直，然后丢到全连接前馈网络里。
    在这里插入图片描述

六、Deep Dream和Deep style

  1. Deep Dream就是让CNN夸大化它所看到的东西
    在这里插入图片描述
  2. Deep style：input一张image，让machine修改这张图，让它有另外一张图的风格
    在这里插入图片描述

七、CNN应用

  1. 围棋：找一个function，input棋盘，output是下一步要下在棋盘上的哪里。
  2. 语音和文本：把声音、文字变成图像来处理在这里插入图片描述
    在这里插入图片描述
ppsswhite
关注
专栏目录
机器学习-CNN
m0_49499340的博客
02-17 332
CNN
机器学习之CNN
努力的小硬币
03-19 2483
CNN–Convolutional NN（卷积神经网络） CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策等。 如下图是CNN的流程 下面是CNN的三个特点： 1.CNN针对的是某些特征，而不是整个图片的所有特征 2.CNN的相同的特征可以是出现在图片的不同的区域 3.CNN对图片减少像素是不会影响图片的 下面讲一下卷积Convolution: 下图...
RNN CNN 机器学习
weixin_33916256的博客
05-22 196
CNN http://blog.csdn.net/darkprin... http://blog.csdn.net/darkprin... http://blog.csdn.net/darkprin... http://blog.csdn.net/u0130880... 深度学习官方 深度学习链接☆ http://lib.csdn.net...
机器学习——卷积神经网络（CNN）
weixin_55118952的博客
01-21 767
CNN可以看作深度学习的进一步扩展，在深度学习的基础上改变神经网络的结构以及尽量减少参数，抓住关键特征。这样的CNN主要用于影像识别。具有以下三个属性的任务即可以使用CNN：1）观测图片中的某些模式；2）这些模式在每张图片中的位置不同；3）二次抽样不会影响观察对象。CNN框架中的convolution就反映了前两个属性；max pooling反映了第三个属性。之后分别从convolution、max pooling、flatten三个方面具体介绍相关步骤。从CNN中我们可以学到什么？CNN应...
李宏毅老师《机器学习》课程笔记-5 Transformer
宁萌Julie的博客
06-05 1223
详细介绍大名鼎鼎的 Transformer 。
李宏毅2021机器学习深度学习笔记PPT作业
09-05
《李宏毅2021机器学习深度学习笔记PPT作业》是一份涵盖了现代人工智能领域核心知识的资源，主要集中在机器学习和深度学习这两个关键分支上。这份资料可能包括了李宏毅教授在2021年课程中的讲义、课后作业以及相关的...
机器学习CNN的代码
01-04
视觉机器学习卷积神经网络的仿真代码
CNN在机器视觉中的应用
11-26
该文件主要包含了在Matlab条件下开发的CNN神经网络在机器视觉中的应用。
机器学习 卷积神经网络 Convolutional Neural Network(CNN)
weixin_51745630的博客
03-28 6096
CNN— 卷积神经网络 CNN专用在影像上的神经网络，目的是作影像辨识、影像分类，即通过输入的影像，输出影像中的内容。 对于CNN，有两种解释方法： 法一 如上图所示： 输入：image（假设大小固定为100x100，若非100x100的图片则需要rescale后再放入影像辨识系统中） 输出：y’（vector） 目标输出：y^ （每一个目标需要表示成one-hot vector，在向量中数值为1的维度对应所属目标，且维度长度决定现在的模型可辨识不...
【转】机器学习---cnn
勤劳的搬砖工
06-22 662
博客地址：https://www.cnblogs.com/xiaotongtt/p/6196057.html卷积神经网络是第一个被成功训练的多层神经网络结构，具有较强的容错、自学习及并行处理能力。一、基本原理1.CNN算法思想     卷积神经网络可以看作为前馈网络的特例，主要在网络结构上对前馈网络进行简化和改进，从理论上讲，反向传播算法可以用于训练卷积神经网络。卷积神经网络被广泛用于语音识别和图...
机器学习算法解析：卷积神经网络（CNN）
最新发布
DeepViewInsight的博客
09-19 578
卷积神经网络，简称CNN，是一类专门用于处理具有网格状数据的深度神经网络。它的设计灵感来源于生物学中的视觉感知机制，尤其是人类视觉系统的工作原理。CNN在计算机视觉任务中表现出色，如图像分类、目标检测、人脸识别等，它的出现彻底改变了这些领域的格局。
机器学习07-卷积神经网络（CNN）
qq_22473333的博客
07-19 537
东阳的学习记录，坚持就是胜利！ 文章目录为什么CNN用来做影像处理CNN的基础架构Convolution（卷积）Fillter为什么说卷积就是全连接拿掉一些weight的结果Maxpool(最大池化)一次卷积和池化的结果一个卷积网络的例子 为什么CNN用来做影像处理 因为很多时候我们不需要看整张图，就能获得图片的相关信息。我们在训练时不需要将整张图都送入神经网络进行训练，只需将一部分输入神经网络。对于不同的特征，我们可以使用不同的Fillter来对特征进行提取。 CNN的基础架构 一些特征要比整张.
机器学习基础随笔（8）CNN
追求大牛之人的博客
08-12 4349
CNN CNN常常被用在影像处理上 Why CNN for Image？ CNN V.s. DNN 我们当然可以用一般的neural network来做影像处理，不一定要用CNN，比如说，你想要做图像的分类，那你就去train一个neural network，它的input是一张图片，你就用里面的pixel来表示这张图片，也就是一个很长很长的vector，而output则是由图像类别组成的vector，假设你有1000个类别，那output就有1000个dimension 但是，我们现在会遇到的问题是这样子
线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1)
05-25
好的，这是一个经典的机器学习问题。以下是实现线性回归预测PM2.5的步骤： 1. 数据准备：从台湾环境保护署所提供的空气品质观测数据中，选取12个月份的每天24小时的资料，总共有12*24=288个数据点。每个数据点包含...
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