研一学生笔记,若有看官,笔下留情。
AlexNet
作者:Alex,IIya,Geoffrey
题目:用深度卷积神经网络进行ImageNet分类
摘要 :我们训练了一个很大的深度卷积神经网络来实现ImageNet分类,结果优于之前所有工作。怎么做的呢,他有庞大的模型结构和变量,自然需要解决速度和过拟合的问题。1.用了非饱和神经元和GPU使训练加速(2012年GPU不算最新,08年推出的CUDA2.0,但不可否认是当时的亮点)2.用最新开发的正则化方法叫 “dropout”来减少过拟合。
介绍 :目前物体识别的方法主要是机器学习,收集更大的数据,学习更强的模型,使用更好的技术,正则,减少过拟合(神经网络之前的大数据时代就是这么处理的,李沐老师说如今正则也没那么重要,如何更好的设计一个网络才更重要。) 直到现在有标注的数据集相对于数以万计的图像,而现实却需要很大的数据集,现在已经可以有这样的数据集了,例如LabelMe和ImageNet 。(他有提到数据label特别少,而百度得到,数据标注行业从2010年左右开始,如果回到过去,,,我就,,,我才不会办数据标注的公司赶时代红利,我要把顶会下载来一篇篇发,啊哈哈哈哈,做梦。) 即使像ImageNet这样大的数据集也无法解决物体检测这样大的复杂任务,所以我们用了一些经验之谈以弥补缺失的数据,cnn就是这样的模型,可以根据高宽控制他的容量,他也对图片的本质做了强有力的,基本正确的假设。因此与有相似大小层数的前馈神经网络相