[机器学习入门] 李宏毅机器学习笔记-11（Convolutional Neural Network；卷积神经网络）

最新推荐文章于 2024-09-27 16:47:35 发布
最新推荐文章于 2024-09-27 16:47:35 发布
阅读量6.3k 收藏 15
点赞数 8
分类专栏： 机器学习 机器学习入门 文章标签： 机器学习 神经网络 cnn 卷积神经网络
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/soulmeetliang/article/details/73188417
版权
本文介绍了为何使用CNN处理图像，因为其能识别小的图像模式且相同模式在不同区域出现，同时，下采样像素不会改变对象。文章深入探讨了CNN的卷积过程、彩色图像处理、池化层、Keras中的实现以及CNN学习的内容，包括Deep Dream、Deep Style，并提及在围棋、语音和文本等领域的应用。
摘要由CSDN通过智能技术生成

[机器学习入门] 李宏毅机器学习笔记-11（Convolutional Neural Network；卷积神经网络）

PDF VIDEO

Why CNN for Image?

CNN 经常作用于图像识别。

这里写图片描述

Some patterns are much smaller than the whole image

这里写图片描述

The same patterns appear in different regions

同样的pattern，在image里面，他可能会出现在image不同的部分，但是它们代表的是同样的含义，同样的形状，也有同样的neural，同样的参数，detector就可以侦测出来。

这里写图片描述

Subsampling the pixels will not change the object

做Subsampling使图片变小对影响辨识没什么影响

The whole CNN

最低0.47元/天 解锁文章
holeung
关注
专栏目录
10、【李宏毅机器学习（2017）】Convolutional Neural Network（卷积神经网络）
Jimmyzqb的博客
08-29 3887
上一篇博客介绍了神经网络构建的整个过程以及优化思路，本篇博客将进一步介绍卷积神经网络（CNN，Convolutional Neural Network）。 目录 Why CNN？ CNN模型 Convolution Max Pooling Convolution+Max Pooling Keras实战演练 Why CNN？ CNN本质是原来full-connecte...
李宏毅机器学习笔记-10 卷积神经网络（Convolutional Neural Network-RNN）
Memory
05-18 967
Convolutional Neural Network（CNN） 1 为什么用 CNN 识别图像 1.1 使用 DNN 的缺陷 当我们用一般的全连接神经网络处理图像时，可能是这样子： 第一层识别一些最基础的线条、特定方向的边界等等之类的最基本的模式。 第二层就开始基于第一层的基础识别一些复杂一些的模式。 往后的层以此类推，直至识别出一个预期中的目标。 但是我们这样直接处理的话...
李宏毅机器学习——学习笔记（9）Convolutional neural network
m0_37757740的博客
03-31 270
Convolutional neural network CNN是简化版的原因： 神经网络不需要整张图片进行图像识别，只需要图像的部分区域就可以了；同一个识别特征的区域可能再图像的不同位置；subsameple不会改变图片里面的内容，只是将图片变小。这些方式都能够使图片再具有较少参数的情况下，识别精度保持不变； CNN的实现方式： 利用filter来表示原来的整幅图像，可以用一个f...
机器学习笔记（李宏毅老师2021/2022课程）【更新中】
最新发布
m0_59800431的博客
09-27 1210
本文主要记录在听李宏毅老师的课时对应做的课堂笔记
【李宏毅】CNN
weixin_39915444的博客
07-28 1121
Convolutional Neural Network CNN常常被用在图像处理（image processing）上 Why CNN for image？ 当我们用一般的fully connected neural network来做图像处理的时候，往往我们会需要太多的参数，举例来说： 我们有一张100 x 100 的彩色图片（RGB），把它拉成一个vector的时候，它就有100 x...
李宏毅机器学习——卷积神经网络
Virginica的博客
10-23 251
Lecture 6 convolutional neural network（卷积神经网络） Image identification 输入比如100*100的图像，三层，每层上数字代表深度，按100*100*3输入，如果输出维度是1000，那么如果全部考虑需要3*10^7，如何简化？ convolution：原理：只根据图片的一小部分就能识别，比如鸟嘴，那么：选一个小区域（receptive field）只关注一个小范围有什么，receptive field可以有大有小，可以重叠，但是通常typic
《机器学习》学习笔记（十一）—卷积神经网络
时光机的学习博客
04-29 368
卷积神经网络（Convolutional Neural Network, CNN）是一类具有特殊结构的神经网络，在图像识别和语音识别领域领域具有不可替代的作用。CNN的神奇之处在于它考虑了图像数据的特点，通过特殊的卷积和池化结构，在减少参数的同时可以提取到更加抽象的图像特征。 卷积的意义 数字图像是一个二维的离散信号，对数字图像做卷积操作其实就是利用卷积核（卷积模板）在图像上滑动，将图像点上的...
李宏毅机器学习——深度学习卷积神经网络
日积月累，天道酬勤
01-05 961
引言 卷积神经网络其实是全连接神经网络的一个简化版，CNN通常用在图像识别上面。通常把图像当成矩阵来看待，而机器就告诉你这个图片的内容是什么，下图是一只鸟。 为什么用CNN来识别图像 为什么要用CNN呢，因为直接用全连接神经网络来识别图像效率不高 部分模式比整个图像小得多。 可能在第一个隐藏层中有某个神经元是检测有没有鸟嘴这样的模式，如果检测到了，它就会有一个很大的输出，交给后面的神经元来决定...
2022李宏毅机器学习深度学习学习笔记第二周--CNN
qq_45612705的博客
05-01 678
文章目录摘要一、CNNImage Classification二、使用步骤1.引入库2.读入数据总结 摘要 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、CNN Image Classification 问题：怎么把一张影像当做模型的输入呢？ 对于机器来说，一张图片就是一个3-D tensor（维度大于2的矩阵），分别是宽，高和3cha
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 1242
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...
台大李宏毅--CNN
丁磊_ml的博客
04-01 2064
CNN与普通深度学习（全网络连接 ）的很大区别就是：CNN是关注图片的一小部分，一小部分的。而普通深度学习是把图像的每一个像素全部拉长，都作为输入。 一：CNN整体流程 1. CNN – Convolution CNN 的Convolution与 普通DNN （Fully Connected ）的异同 **由上面的三个图可以看见，CNN的卷积过程，其实就是 ...
李宏毅老师课程：Convolutional Neural Network
APythonC的博客
07-30 547
卷积神经网络Why CNN for Image？Three Property for CNN Theory BaseThe Whole CNN StructureCNN – ConvolutionProperty 1Property 2Feature MapColorful imageConvolution V.s. Fully ConnectedCNN – Max PoolingOperation of max poolingConvolution + Max PoolingFlatten Why CNN
【机器学习】李宏毅——Recurrent Neural Network(循环神经网络)
FavoriteStar的博客
09-09 806
【机器学习】李宏毅——Recurrent Neural Network(循环神经网络)
李宏毅机器学习-神经网络梳理
StarryPilgrim
09-06 424
文章目录前言背景整体把握传播函数激活函数反向传播函数损失函数总结 前言 这是李宏毅机器学习系列的一个补充博客，对于课程中一些比较模糊的重点会再次进行梳理，起到一个修补的作用 背景 本篇背景是对于机器学习中的神经网络进行梳理，由于李宏毅老师在讲解过程中将神经网络进行了拆分，容易导致初学者对于神经网络不能整体把握，本篇则是作者根据课程和一些博客，对神经网络的进行一次整体梳理。 整体把握 神经网络最基本的模型是由4个函数组成的。它们分别是： 传播函数、激活函数、反向传播函数、损失函数 　　 它们分别实现了几个
台大李宏毅教授的神经网络教程
医疗影像检索
04-29 878
链接: https://pan.baidu.com/s/16mXyYDJnGh5_zRttg-WW5A 密码: fa18台大李宏毅教授，含ppt、pdf、视频。
李宏毅机器学习-神经网络设计（2021版）
这是我升级、打怪的人生之旅，欢迎大家来见证
08-26 315
1.局部最小值和鞍点 local minima:局部最小值 saddle point：鞍点 它们统称为critical point（临界点）。 如何知道是哪个？ 举例 这是saddle point。 saddle point比local minima更加常见。 2.批次（Batch）与动量(Momentum) 左边没有用batch，右边是使用了batch的。左边的更新所要花的时间更长，结果更加稳定；右边花费的时间短，但是有噪声。 小的batch size 有更好的表现，大的batch siz
2021李宏毅机器学习（4）：卷积神经网络CNN
niexinyu0026的博客
02-17 1978
2021李宏毅机器学习（4）：卷积神经网络CNN1 前言2 简化方法1：Receptive field（感受野） 1 前言 图片一般用的是三维的张量，也就是： 三维就是　长度＊高度＊通道数，在长宽里面每一个长度、宽度都包含了一个像素，像素里面包含了三个数字（RGB这三个通道的），为了能够输入进神经网络，就把这三维拉直成一个tensor： 从图片可以看出，这样的数据量其实是非常巨大的，于是我们想要简化。那么，我们是如何进行图片识别的？ 比如我们识别一个鸟，是通过它的特定部分（比如鸟嘴、爪子）识别的，因此，
李宏毅机器学习笔记(五)——全连接神经网络
Unique13的博客
08-03 600
文章目录一.线性分类的弊端与神经网络的引入二.深度学习的三个步骤三.全连接神经网络的结构 一.线性分类的弊端与神经网络的引入   我们可以看如下的异或二分类问题，我们显然可以看到，我们使用一条直线显然是无法将其分开的。   但是我们可以用以下思路来想：我们是否可以转变一下特征，做一个所谓的线性变换，使其可以线性可分？这样当然是可以的而且有多种方式，比如视频中所示的方式，再或者是x1x_1x1​和x2x_2x2​之间的差的绝对值等等，做完这个转换后我们就明显可以看出是线性可分的了。   但是问题在于，这个
评论 2
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