CNN

最新推荐文章于 2024-08-26 15:33:11 发布
最新推荐文章于 2024-08-26 15:33:11 发布
阅读量273 收藏
点赞数
分类专栏： 期末作业 文章标签： 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/weixin_41899017/article/details/110949500
版权

一文搞懂CNN

参考来源：0基础入门深度学习（5）

神经网络基础

 神经网络可以当作是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的x，就能够特到特定的y。结构图如下：

https://pic2.zhimg.com/80/v2-dbd25d81a8537985345a3e46077931ed_1440w.jpg
那么为何还需要RNN？

为什么需要RNN（循环神经网络）

普通的神经网络只能处理独立的输入，两个输入之间是没有关系的，但是某些任务要求处理序例，即要求前面与后面的输入是完全有关系的。
一个小列子
比如理解一句话，单独理解每个词的含义不够，需要处理整个序例，同样的还有树立视频的时候，不能光看某帧，还需要分析整个序例。

RNN结构图

PICTURE:/home/syli/.config/tencent-qq//AppData/file//sendpix2.jpg
https://pic2.zhimg.com/v2-b0175ebd3419f9a11a3d0d8b00e28675_r.jpg
其中，x,s,o均为列向量。u,w和v均为矩阵。u代表输入层到隐藏层的权重矩阵，w是隐藏层上一次的值作为这一次输入的权重，是跟普通的神经网络区别最大的地方,即隐藏层的输入不仅仅取决于这次的输入x，还取决于上一次隐藏值的输入。v是隐藏层到输出层的权重矩阵。
https://pic4.zhimg.com/80/v2-9524a28210c98ed130644eb3c3002087_1440w.jpg
将上式的2式带入1式，我们就可以得到：
PICTURE:/home/syli/.config/tencent-qq//AppData/file//sendpix4.jpg
所以循环神经网络可以往前看多个值。

双向循环神经网络

单向的神经网络只能实现往前看n个词，而有的时候，是不仅仅需要往前看，还需要往后。所以需要双向的神经网络。
http://upload-images.jianshu.io/upload_images/2256672-039a45251aa5d220.png
双向的涉及两个中间结果A与A1，其中A涉及正向计算，A1设计反向计算。
正向与反向不共享权重。

深度循环神经网络

前面我们介绍的村还神经网络只有一个隐藏曾，当增加到多个隐藏层的时候，就u得到了深度循环神经网络。
http://upload-images.jianshu.io/upload_images/2256672-df137de8007c3d26.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/480

未完待续：看到RNN的应用举例这里在——基于RNN的语言模型

lsy-drarry
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
动手学深度学习：3.13 丢弃法DropOut
qq_38888209的博客
07-29 472
3.13 丢弃法除了前一节介绍的权重衰减以外，深度学习模型常常使用丢弃法（dropout）[1] 来应对过拟合问题。丢弃法有一些不同的变体。本节中提到的丢弃法特指倒置丢弃法（inverted dropout）。3.13.1 方法回忆一下，3.8节（多层感知机）的图3.3描述了一个单隐藏层的多层感知机。其中输入个数为4，隐藏单元个数为5，且隐藏单元hihi h_ih1​,…,h5​中的任一个，从而在训练模型时起到正则化的作用，并可以用来应对过拟合。在测试模型时，我们为了拿到更加确定性的结果，一般不使
动手学深度学习——学习笔记（Task3）
qq_44915960的博客
02-18 185
过拟合、欠拟合及其解决方案 梯度消失、梯度爆炸 循环神经网络进阶
动手学深度学习学习笔记tf2.0版（3.13 丢弃法）
岁月如歌
02-29 242
注意: 保留的部分以 1 / 1 - p 的尺度 拉伸
史上最小白之RNN详解
Tink1995的博客
03-14 4万+
1.前言 网上目前已经有诸多优秀的RNN相关博客，但是我写博客的出发点主要是为了加深和巩固自己的理解，所以还是决定自己再进行一下总结和描述，如有不正确的地方欢迎指正~ 2.区分RNN 循环神经网络(Recurrent Neural Network)，递归神经网络(Recursive Neural Network)，你有没有发现他们的缩写都是RNN，那他们两个是同一回事儿吗？网上有一些博客把这两就当...
深度学习（Deep Learning）：循环神经网络一（RNN）
weixin_33859504的博客
07-26 193
原址：https://blog.csdn.net/fangqingan_java/article/details/53014085 概述 循环神经网络（RNN-Recurrent Neural Network）是神经网络家族中的一员，擅长于解决序列化相关问题。包括不限于序列化标注问题、NER、POS、语音识别等。RNN内容比较多，分成三个小节进行介绍，内容包括...
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 82万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
卷积神经网络（CNN）详细介绍及其原理详解
IronmanJay的博客
01-14 15万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
CNN主要结构
m0_63156697的博客
07-08 2213
cnn笔记
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，超实用
L_goodboy的博客
11-29 4万+
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，套用简单
CNN BackPropagation
05-08
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理、计算机视觉以及自然语言处理等领域广泛应用的深度学习模型。CNN的特点在于其利用卷积层来捕获图像的局部特征，通过池化层来降低维度，以及使用...
cnn卷积神经网络PPT详解
08-11
CNN 卷积神经网络详解 作为一名 IT 行业大师，我将详细解释 CNN 卷积神经网络的知识点，涵盖标题、描述、标签和部分内容中的相关信息。 卷积神经网络（CNN） 卷积神经网络（Convolutional Neural Networks，CNN）...
text-classification-cnn-rnn-master_RNN_CNN_
10-02
标题中的"RNN_CNN"表明这是一个结合循环神经网络（Recurrent Neural Network, RNN）与卷积神经网络（Convolutional Neural Network, CNN）的项目，用于中文文本分类。在描述中，我们得知该实现是用TensorFlow完成的...
深度学习--词嵌入方法：GloVe和BERT详解
最新发布
GDHBFTGGG的博客
08-26 556
词嵌入方法：GloVe和BERT详解
深度学习学习经验——全连接神经网络（FCNN）
Linductor的博客
08-22 845
全连接神经网络（FCNN）是最基础的神经网络结构，它由多个神经元组成，这些神经元按照层级顺序连接在一起。每一层的每个神经元都与前一层的每个神经元连接。接待区交流区和结果区。
基于深度学习的单目标跟踪系统
2301_78240361的博客
08-26 533
基于深度学习的单目标跟踪，效果吊打传统算法，3060显卡上达到实时，代码python和c++都有
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度线性注意力机制DSLAM和C2f_DSLAM(全网独家创新)
tsg6698的博客
08-23 918
多尺度卷积的设计结合了不同大小的卷积核（例如，3x3、5x5、7x7、11x11、21x21等），这些卷积核通过不同的感受野捕捉图像中多种尺度的特征。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~综上DSLAM模块通过多尺度卷积的深度融合、自适应池化和线性注意力机制的有机结合，实现了对图像多尺度信息的高效捕捉和全局特征的有效建模。
CNN进化论：从LeNet到ResNet的深度学习征途与PlugLink的赋能实践
AI心易行者
08-23 811
在过去的几十年里，卷积神经网络（CNN）经历了从理论框架到实际应用的飞速发展，成为现代人工智能领域中图像识别、自然语言处理等多个分支的核心推动力。今天，我们将踏上一场穿越时空的旅程，逐一剖析那些里程碑式的CNN架构，并揭秘开源项目如何助力研究者和开发者在这条路上走得更远。
深度学习中的R-CNN家族演进：从R-CNN到Mask R-CNN
R-CNN家族包括R-CNN、Fast R-CNN、Faster R-CNN以及Mask R-CNN，它们逐步提高了目标检测的效率和准确性。" 在计算机视觉领域，卷积神经网络（CNN）的应用日益广泛，特别是在图像分类、检测和分割任务中。R-CNN系列...
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