李宏毅机器学习笔记：CNN 卷积神经网络

最新推荐文章于 2024-09-04 12:51:22 发布
最新推荐文章于 2024-09-04 12:51:22 发布
阅读量207 收藏
点赞数
文章标签： 神经网络 cnn 深度学习
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/qq_37858725/article/details/119916811
版权

源视频链接：https://www.bilibili.com/video/BV1Ht411g7Ef?p=21
参考博客链接：https://datawhalechina.github.io/leeml-notes/#/chapter21/chapter21
额外再推荐两个视频链接 辅助理解CNN
李宏毅2021春机器学习课程：
https://www.bilibili.com/video/BV1Wv411h7kN?p=22
从图像识别走进卷积神经网络——全网最通俗易懂的深度学习课程https://www.bilibili.com/video/BV1oL411t72z：

  • CNN 卷积神经网络

  • 神经网络的衍生版，突出特点是增加了卷积层对输入数据进行预处理，减少参数，提高训练效率，尤其适用于图像识别 文本识别 语音识别 ，此类具有某种特定模式pattern的数据，alpha go 围棋学习也是具有此类固定pattern也适用于CNN。

  • 总体来说 就是在纳入全连接神经网络层前 先做多次卷积池化 最后拉长为一维下的向量 输入到全连接神经网络。 具体算法建议看视频理解。

在这里插入图片描述
在这里插入图片描述卷积
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
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

麻麻在学习
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
李宏毅2021机器学习深度学习笔记PPT作业
09-05
在"machineLearningDeepLearning-main"这个文件夹中，我们可以预期找到关于人工神经网络（ANN）、卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、自编码器（Autoencoder）、生成对抗网络（GAN...
卷积神经网络（CNN）——李宏毅机器学习笔记
久蔡合子
11-25 820
卷积神经网络 （1）特征提取 （2）共享参数 （3）池化
【李宏毅机器学习笔记（四）】CNN
weixin_51263595的博客
03-02 159
企图通过写笔记勉励自己学习。
李宏毅机器学习课程笔记4：CNN、Why Deep、Semi-supervised
徐子尧的博客
04-09 8615
台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。 这篇文章是学习本课程第10-12课所做的笔记和自己的理解。Lecture 10: Convolutional Neural Network Why CNN for ImageCNN的参数比全连接神经网络少得多，为什么CNN只用较少的参数就可以用于处理图
李宏毅机器学习2016 第九讲 卷积神经网络
Come_for_IT 的博客
01-17 858
视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩课程资源：Hung-yi Lee课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5我的第八讲笔记：李宏毅机器学习2016 第八讲 深度学习网络优化小诀窍Convolutional Neural Network本章节主要讲解了CNN的原理、实现以及应
李宏毅机器学习系列-卷积神经网络
王伟王胖胖的博客
08-21 1214
李宏毅机器学习系列-卷积神经网络为什么要用卷积神经网络(CNN)卷积神经网络(CNN)基本结构卷积层卷积层的特点最大池化层Keras里该怎么做CNN呢CNN学到了什么Deep DreamDeep StyleCNN的应用总结 为什么要用卷积神经网络(CNN) 如果我们用一般的全连接神经网络来做图片的分类的话，应该是这样，我们将图片转换为一个向量，然后用很多层进行特征提取，最后输出一个向量，好像没啥问...
ML2017-笔记：李宏毅机器学习2017个人笔记
02-03
它解释了神经网络的基本结构，包括前馈神经网络、卷积神经网络（CNN）和循环神经网络（RNN），以及它们在图像识别、自然语言处理等领域的应用。此外，还介绍了深度学习中的优化算法，如梯度下降及其变种，以及正则化...
CF-1208 C.Magic Grid
weixin_30845171的博客
09-02 161
题目 大意：构造一个n行n列的矩阵，使得每一行，每一列的异或和都相等，n是4的倍数。 先看4*4的矩阵，我们很容易构造出符合要求的矩阵，比如 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 这个矩阵每行每列的异或和都为0 对于一个n*n的矩阵，我们可以写成多个4*4的矩阵，为了保证数字不重复...
李宏毅机器学习笔记03(CNN部分)
u014610970的博客
04-22 428
一个Deep learning的3个步骤就是 1、设计一个网络的框架 2、找到你的Lossfunction 3、使用梯度下降的方法找到框架中最好的参数 为什么使用deep呢？ 老师使用数字电路的例子来进行比较，如果你使用一层的元器件来模拟所有的情况，是可以做到的，只是这个一层的器件会很多。但是如果你使用两层甚至是多层的起来来模拟所有的情况的话，可能就只需要一些器件就足以完成了。 CNN： 俗称卷积...
李宏毅机器学习笔记：CNN和Self-Attention
qq_43711697的博客
08-16 6660
前言 本文主要记录关于李宏毅机器学习2021中HW3和HW4的卷积神经网络和自注意力机制网络部分的笔记，主要介绍了CNN在图像领域的作用及如何处理图像数据，Self-Attention在NLP(自然语言处理)领域的作用和处理词之间的关系。 一、CNN卷积神经网络 CNN处理图像的大致步骤 前面介绍的FCN全连接神经网络是通过把一维的向量不断通过中间的隐藏层的multi和bias最后输出指定列数的vector，而图像这个多维向量是经过一个卷积神经网络最后再经过flatten展开成一维再通过FCN输出对应
李宏毅机器学习-卷积神经网络
唐同学maydayz的博客
08-28 592
1.为什么用CNN处理图像 CNN做的事就是简化neural network的架构，用比较少的参数来做影像处理这件事。所以CNN比一般的DNN还要简单的。 为什么可以用比较少的参数可以来做影像处理这件事情 在图片处理中，大部分的pattern其实要比整张的image还要小，对一个neural来说，假设它要知道一个image里面有没有某一个pattern出现，它其实是不需要看整张image，它只要看image的一小部分。 样的pattern在image里面，可能会出现在image不同的部分，但是代表的是同样
简易Alpha(Go) Zero教程（A Simple Alpha(Go) Zero Tutorial）
Beyond
07-19 1621
原文链接：http://web.stanford.edu/~surag/posts/alphazero.html 本文的目标是提炼AlphaGo Zero论文中的关键思想，并通过代码来进行具体理解。我们假定读者熟悉机器学习和强化学习的概念。如果您对神经网络和蒙特卡罗树搜索（Monte Carlo Tree Search）有基本的了解，您应当能轻松地理解这篇文章。在阅读本文之前（或之后），我建议您...
李宏毅2020机器学习课程笔记--CNN
peacefairy的博客
09-17 432
卷积神经网络为什么用CNN来处理影像CNN的结构Convolution部分Max pooling部分Flatten 为什么用CNN来处理影像 当我们直接用一般的fully connected feedforward network来做图像处理的时候，往往会需要太多的参数。 CNN做的事情其实是，来简化这个neural network的架构，我们根据自己的知识和对图像处理的理解，一开始就把某些实际上用不到的参数给过滤掉。 在图像分类上，按照一般的思维，我们分辨一个图像里是什么，就根据有辨识度的特征来对这个物种
深入理解神经网络：从基础到深度学习
最新发布
码途探索
09-04 1014
在人工智能的广阔领域中，神经网络以其独特的魅力和强大的能力，成为了研究和应用的热点。从模拟人脑神经元的简单模型，到处理复杂数据的深度学习架构，神经网络的发展不仅推动了人工智能的进步，也为我们打开了理解智能的新视角。在这个信息爆炸的时代，我们每天都在产生和处理海量的数据。如何从这些数据中提取有价值的信息，如何让机器像人类一样学习和思考，成为了科学家和工程师们不断探索的问题。神经网络作为一种模拟人脑处理信息方式的技术，为我们提供了一种可能的解决方案。在这篇文章中，我们将深入探讨神经网络的奥秘。
卷积神经网络综述
XU157303764的博客
09-03 1058
本文对卷积神经网络（Convolutional Neural Network，CNN）进行了全面综述。首先介绍了卷积神经网络的发展历程，包括早期的理论基础和关键突破。接着详细阐述了卷积神经网络的结构组成，包括卷积层、池化层、全连接层等，分析了各层的作用和特点。然后探讨了卷积神经网络在图像识别、目标检测、语义分割等多个领域的应用，并介绍了一些典型的应用案例。此外，还讨论了卷积神经网络的训练方法和优化技巧，包括数据增强、正则化、超参数调整等。最后，对卷积神经网络的未来发展趋势进行了展望。
【深度学习 transformer】transformer 训练一个文本分类任务，超简单了
赖德发的博客
09-03 820
请注意，这只是一个简化的示例，实际代码可能会更复杂，具体取决于您选择的模型和配置。此外，Happy Transformer的API可能会随着时间的推移而更新，因此请确保查看最新的文档以获取最新的信息。请注意，这只是一个简化的示例，实际代码可能会更复杂，具体取决于您选择的模型和配置。此外，Happy Transformer的API可能会随着时间的推移而更新，因此请确保查看最新的文档以获取最新的信息。在这个预测代码中，我们首先使用Happy Transformer的API加载训练好的模型。
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