一.卷积神经网络
1.用途:
检测任务、分类和检索、超分辨率重构、医学任务、无人驾驶、人脸识别。
2.卷积神经网络(CNN)——CV(计算机视觉)与传统神经网络的区别:
3.整体架构:
4.卷积做了什么事:
一个通道:
图像颜色通道:
整体计算方式:
堆叠的卷积层:
5.卷积层设计参数:
步长:
边缘填充:
卷积核计算结果:
卷积参数共享:
6.池化层:(压缩、下采样)
7.整体步骤:
特征图变换:
8.经典网络架构:
残差网络:
9.感受野:
二.递归神经网络(RNN)—— NLP(自然语言处理):
转为三维向量
三.LSIM网络:
在RNN上改进,加入一个C控制单元,控制当前模型复杂度
四.词向量模型——Word2Vec
CBOW模型:
Skipgram:
负采样模型(Negative Sampling):
加入一些负样本(人为构建出来的 )5个合适
词向量训练过程:
补充 反向传播(BP)原理
“反向传播算法”过程及公式推导(超直观好懂的Backpropagation)-CSDN博客