卷积神经网络Convolutional Neural Networks深度解析I

本文深入探讨了卷积神经网络(CNN)的历史、基本模块、特点和实现架构,从Hubel和Wiesel的工作到现代深度学习的发展。CNN的核心包括卷积层、池化层、ReLU层等,其特点包括局部感知、权重共享和多卷积核。此外,文章还介绍了正则化方法dropout用于防止过拟合。
摘要由CSDN通过智能技术生成

知识的广度来自知识的深度,学习如果不成体系那是多可怕的一件事儿,希望我们在未来的学习道路上坚守初心,不要给自己留下遗憾,以自己喜欢的方式生活,做自己喜欢做的事,宠爱自己,做一个独一无二的自己!

  • 对于文章中出现的任何错误请大家批评指出,会及时做出修改!
  • 有任何想要讨论和学习的问题可联系我:cittaksana@qq.com

Convolutional Neural Networks历史

  • Convolutional Neural Networks最早可以追溯到1968Hubel和Wiesel的论文,这篇论文讲述猫和猴的视觉皮层含有对视野的小区域单独反应的神经元,如果眼睛没有移动,则视觉刺激影响单个神经元的视觉空间区域被称为其感受野(Receptive Field)。相邻细胞具有相似和重叠的感受野。感受野大小和位置在皮层之间系统地变化,形成完整的视觉空间图。这个为Convolutional Neural Networks的局部感知奠定了一个基础。
  • 然后是1980年,神经感知机(neocognitron)的提出,标志了第一个初始的卷积神经网络的诞生,也是感受野概念在人工神经网络领域的首次应用,神经认知机将一个视觉模式分解成许多子模式(特征),然后进入分层递阶式相连的特征平面进行处理。
  • 在然后1988年,时不变神经网络(Shift-invariant neural network)的提出,将卷积神经网络的功能进行了一次提高,使其能够在即使物体有位移或轻微变形的时候,也能完成识别。
  • 卷积神经网络的前馈架构在神经抽象金字塔(Neural abstraction pyramid)中被横向和反馈连接扩展。所产生的复现卷积网络允许灵活地并入情景信息以迭代地解决局部模糊。与以前的模型相反,产生了最高分辨率的图像输出。
  • 最后,2005出现了一篇GPU实现Convolutional Neural Networks的paper,标志了一种实现Convolutional Neural Networks更有效的方式,之后在2012年ImageNet大赛中Convolutional Neural Networks由于其高精确度脱颖而出,于是,深度学习正式进入人们的视野。

Convolutional Neural Networks基本模块

Convolutional Neural Networks由输入和输出层以及多个隐藏层组成,隐藏层可分为卷积层,池化层、RELU层

  • 11
    点赞
  • 64
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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