![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
zlinxi
学习,永无止境!
展开
-
深度学习之卷积自编码器
一、自编码器自编码器(Autoencoder)是一种旨在将它们的输入复制到的输出的神经网络。他们通过将输入压缩成一种隐藏空间表示(latent-space representation),然后这种重构这种表示的输出进行工作。这种网络由两部分组成,如下图:编码器:将输入压缩为潜在空间表示。可以用编码函数h = f(x)表示。 解码器:这部分旨在重构来自隐藏空间表示的输入。可以用解码函数r ...原创 2018-10-31 10:49:48 · 47912 阅读 · 4 评论 -
深度学习之人工神经网络学习
人工神经网络就是把这样的人工神经元互联成一个网络:一个神经元的输出作为另一个神经元的输入。神经网络可以有多种多样的拓扑结构。其中最简单的就是「多层全连接前向神经网络」。它的输入连接到网络第一层的每个神经元。前一层的每个神经元的输出连接到下一层每个神经元的输入。最后一层神经元的输出就是整个神经网络的输出。如下图,是一个三层神经网络。它接受 10 个输入,也就是一个 10 元向量。第一层和第二层各有 ...转载 2018-10-30 09:57:35 · 969 阅读 · 0 评论 -
深度学习之BP算法
一、BP网络基本概念BP神经网络是一种多层的前馈神经网络,其主要的特点是:信号是前向传播的,而误差是反向传播的。BP神经网络是由一个输入层、一个输出层和一个或多个隐层构成,它的激活函数采用sigmoid函数,采用BP算法训练的多层前馈神经网络。具体采用如下神经网络进行说明:其算法基本过程分为两个阶段:1、在前馈网络中,输入信号经输入层输入,通过隐层计算由输出层输出,2、输出值与标记值比...转载 2018-10-30 14:22:27 · 2410 阅读 · 0 评论 -
深度学习之卷积神经网络
一、使用卷积神经网络的原因 我们知道,图像是由一个个像素点构成,每个像素点有三个通道,分别代表RGB颜色,那么,如果一个图像的尺寸是(28,28,1),即代表这个图像的是一个长宽均为28,channel为1的图像(channel也叫depth,此处1代表灰色图像)。如果使用全连接的网络结构,即,网络中的神经与与相邻层上的每个神经元均连接,那就意味着我们的网络有28 * 28 =784个神经元,...转载 2018-10-30 16:13:22 · 1127 阅读 · 0 评论 -
深度学习之生成对抗网络
一、基本原理生成对抗网络有一个生成器(Generator,简称G)生成数据和一个鉴别器(Discriminator,简称D)鉴别数据是否与真实数据相似。GAN是半监督学习方式训练的模型,基于神经网络,经常被用在图像处理和半监督学习领域。生成器作用D:生成和真实数据几乎没有差距的数据鉴别器的作用G:尽最大努力区分生成器生成的数据和真实数据训练一个生成器(Generator,简称G)...转载 2018-11-03 10:05:35 · 2579 阅读 · 1 评论 -
深度学习之3D卷积神经网络
一、概述3D CNN主要运用在视频分类、动作识别等领域,它是在2D CNN的基础上改变而来。由于2D CNN不能很好的捕获时序上的信息,因此我们采用3D CNN,这样就能将视频中时序信息进行很好的利用。首先我们介绍一下2D CNN与3D CNN的区别。如图1所示,a)和b)分别为2D卷积用于单通道图像和多通道图像的情况(此处多通道图像可以指同一张图片的3个颜色通道,也指多张堆叠在一起的图片,即...原创 2018-11-04 10:34:11 · 44596 阅读 · 12 评论 -
深度学习之GCN的简单理解
一、概述GCN是一类非常强大的用于图书局的神经网络架构,下图展示了一个两层 GCN 生成的每个节点的二维表征,即使没有经过任何训练,这些二维表征也能够保存图中节点的相对邻近性。对于CNN中的卷积,本质上是利用一个共享参数的过滤器,计算中心像素点以及相邻像素点的加权和来构成特征图实现空间特征的提取,卷积核的参数通过优化求出才能实现特征提取的作用,而GCN的理论很大一部分就是为了引入可以优化的卷积...转载 2019-07-11 11:40:48 · 9403 阅读 · 0 评论