李宏毅机器学习——CNN

最新推荐文章于 2024-09-22 16:16:37 发布
最新推荐文章于 2024-09-22 16:16:37 发布
阅读量214 收藏
点赞数
分类专栏： 机器学习 文章标签： 神经网络
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/qq_27436347/article/details/89424838
版权

CNN

在这里插入图片描述

Convolution

经过filter得到feature map
是full connected的特例
在这里插入图片描述

Max Pooling

选最大的做代表

在这里插入图片描述

Flatten

在这里插入图片描述

如何在Keras使用CNN

model.add(Convolution2D(25,3,3,input_shape = (28,28,1)))

在这里插入图片描述
经过卷积后，变成了25*26*26的维度

model.add(MaxPooling2D((2,2)))

在这里插入图片描述
经过maxpooliung后变成25*13*13的维度
model.add(Flatten())

在这里插入图片描述

分析

  1. 看一看第一层layer的filter
  2. 找CNN学的东西——求解使得某个filter激活度最高的输入(Find an image maximizing the output of neuron)
    a k = ∑ i = 1 11 ∑ j = 1 11 a i j k x ∗ = arg ⁡ max ⁡ x a k a^{k}=\sum_{i=1}^{11} \sum_{j=1}^{11} a_{i j}^{k}\\ x^{*}=\arg \max _{x} a^{k} ak=i=1∑11​j=1∑11​aijk​x∗=argxmax​ak
    CNN用在围棋，（没有用maxpooling）
ML_CS
关注
专栏目录
卷积神经网络CNN |李宏毅机器学习【9】
python令狐冲
09-30 640
卷积神经网络（Convolutional Neural Network, CNN）是一类具有特殊结构的神经网络，在图像识别和语音识别领域领域具有不可替代的作用。CNN的神奇之处在于它考虑了图像数据的特点，通过特殊的convolution和Pooling结构，在减少参数的同时可以提取到更加抽象的图像特征。   CNN为什么可以应用于图像识别呢？ property1: 下图中的“鸟喙”是一...
李宏毅机器学习——Transformer
weixin_45366750的博客
09-15 2507
Transformer属于seq2seq模型，解决输入时序列，输出也是序列，并且输出长度由机器自己决定的问题。 一、seq2seq的应用 语音识别：输入声音讯号，输出对应的文字 机器翻译：输入一段英文，输出对应的一段中文 语音翻译：将听到的一段声英语，翻译成中文字 语音合成：输入一段文字，输出对应的语种声音翻译 聊天机器人 提取文章的摘要 对于不同的任务，应该客制化对应的seq2seq模型，这样效果更好。 二、transfomer的架构 input——encoder（编译）——decoder（解
李宏毅机器学习之CNN
Trony的博客
06-22 451
一、Why CNN for image？ 一些patterns对于整个Image来说非常小，所以通常只需要看一个Image的一小部分就可以了。 同样的pattern可能出现在Image的不同的部分 对于一张Image可以做subsampling(下采样)，比如：把一张image的奇数行，偶数列的pixel(像素)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。所以我们就可以用这样的概念把image变小，这样就可以减少处理需要的参数。 二、CNN的架构 2.1 整体架构 当输入
李宏毅 机器学习
最新发布
qq_61833632的博客
09-22 789
李宏毅机器学习，学习笔记记录——P5 CNN
李宏毅机器学习CNN
weixin_41571641的博客
03-13 192
##Why CNN？ 当我们直接用一般的fully connected的feedforward network来做图像处理的时候，往往会需要太多的参数，100100的彩色图片input是3100*100维向量，如果第一层hidden layer有1000个神经元，则一共需要需要30000000个参数 怎么减少参数呢？ 想要发现图片的样式不需要看整张图片，只需要看一部分图片 对于出现在不同位置的同样的pattern，处理这些的神经元功能相似，可以共用同一组参数 利用subsampling这个概念把
【机器学习】李宏毅——卷积神经网络CNN
FavoriteStar的博客
09-08 633
【机器学习】李宏毅——卷积神经网络CNN，讲解了其过程和原理
李宏毅机器学习——Self-attention
weixin_45366750的博客
09-14 300
一、vector set形式的输入 文字输入、声音信号处理、图、分子结构 二、输出的形式 1、每一个向量都有一个对应的一个label 2、完整的序列，对应一个label e.g.Sentiment Analysis 3、让机器自己决定输出多少个labels【seq2seq】 e.g.机器翻译、语音识别 三、Sequence Labeling（输入跟输出数目一样多的状况） 初步想法：将每个seq都放到fully-connected network中，输出 问题：每个vec同等对待，难以区分词性 解决：联系上
基于PaddlePaddle的李宏毅机器学习——迁移学习
qq_62152445的博客
04-17 373
假设现在要做猫和狗的分类器，我们需要一样标签数据告诉机器哪些是猫，哪些是狗。同时，假设现在有一些与猫和狗没有直接关系的数据，这里说是没有直接关系，并不是说是完全没有关系。就是说有一些关系，但又不是直接相关的。假设现在有自然界真实存在的老虎和大象的图片，那老虎和大象对分辨猫和狗会有帮助吗。或者说我们有一些卡通动画中的猫和狗图像，但不是真实存在的，有没有帮助呢。迁移学习把任务A开发的模型作为初始点，重新使用在为任务B开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务。
李宏毅机器学习笔记——Transformer
m0_56659208的博客
04-09 4818
李宏毅机器学习笔记 本章主要是介绍了Transformer(全自注意力网络)： 1. 通过sequence-to-sequence模型中的RNN存在问题——不能并行计算，CNN替换可以解决一部分问题，但也存在缺陷。 2.由CNN缺陷引入了Self-Attention Layer来替代RNN的sequence-to-sequence模型——Transformer。 3.讲解Self-Attention的基本原理与具体过程。 4.讲解了一种叫做“多头”注意力（“multi-headed” attention）的
李宏毅机器学习作业3CNN数据testing set 和validation set
12-19
李宏毅机器学习作业3CNN数据testing set 和validation set。因为文件太大了一个放不下，所以分开放了。。。training set可以去我的资源里找找。
【李宏毅】CNN
weixin_39915444的博客
07-28 1121
Convolutional Neural Network CNN常常被用在图像处理（image processing）上 Why CNN for image？ 当我们用一般的fully connected neural network来做图像处理的时候，往往我们会需要太多的参数，举例来说： 我们有一张100 x 100 的彩色图片（RGB），把它拉成一个vector的时候，它就有100 x...
2021李宏毅机器学习（4）：卷积神经网络CNN
niexinyu0026的博客
02-17 1973
2021李宏毅机器学习（4）：卷积神经网络CNN1 前言2 简化方法1：Receptive field（感受野） 1 前言 图片一般用的是三维的张量，也就是： 三维就是　长度＊高度＊通道数，在长宽里面每一个长度、宽度都包含了一个像素，像素里面包含了三个数字（RGB这三个通道的），为了能够输入进神经网络，就把这三维拉直成一个tensor： 从图片可以看出，这样的数据量其实是非常巨大的，于是我们想要简化。那么，我们是如何进行图片识别的？ 比如我们识别一个鸟，是通过它的特定部分（比如鸟嘴、爪子）识别的，因此，
李宏毅机器学习笔记p21：CNN
weixin_51413726的博客
10-25 284
文章目录前言一、CNN与图像处理CNN架构convolutionmaxpoolingflatten总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、CNN与图像处理 CNN常用于影像处理。 实际上在影像处理上，我们希望一层层layer看到的东西是越来越深入的。 在影像处理上，CNN比一般的training neural netw
李宏毅机器学习-CNN
snowflier的博客
07-17 435
CNN
李宏毅机器学习笔记Day8——卷积神经网络（CNN）
qq_45848398的博客
05-28 289
在DNN中，每一层根据上一层的信息进行识别 CNN:简化fully connected Network 为什么CNN可以用于图像识别？ 1.一个neuron只需要看图的一小部分，即只需要连接一小部分。 2.一样的pattern可以共用同一组参数，减少参数的量。 整个CNN架构 Convolution 黑白图片 把filer1放在左上角，做内积，根据stride移动stride =1，每次移动一格，得到44的Matrix，可以看到最大值在左上角和左下角，表示filter1要侦测的pattern出现在image
机器学习李宏毅笔记CNN
weixin_45184855的博客
07-23 449
CNN 我们都知道CNN常常被用在影像处理上，如果你今天用CNN来做影像处理，当然也可以用一般的neural network来做影像处理，不一定要用CNN。比如说你想要做影像的分类，那么你就是training一个neural network,input一张图片，那么你就把这张图片表示成里面的pixel，也就是很长很长的vector。output就是(假如你有1000个类别，output就是1000个dimension)dimension。那我相信根据刚才那堂课内容，若给你一组training data你都可
[李宏毅-机器学习]卷积神经网络CNN
炼丹师
02-13 240
李宏毅机器学习课程笔记：从深度学习到卷积神经网络
"李宏毅的机器学习课程笔记涵盖了从基础的回归分析、梯度上升算法，到分类问题、反向传播、卷积神经网络（CNN）、半监督学习、无监督学习以及线性模型等多个核心主题。这些内容构成了深度学习和机器学习的基础理论与...
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