神经网络与深度学习
全连接网络的问题
如果每一个神经元都连接到上一层的所有神经元(除输入层外),则成为全连接网络(Fully Connected Neural Network)。
正是全连接网络的此特性,对复杂数据集的处理造成了巨大的困扰,存在需要拟合的参数过多不好优化,也容易导致过拟合问题,同时忽略像素之间的空间信息
神经网络基础:卷积神经网络
1989年,Yann LeCun 等人提出了卷积神经网络(Convolutional Neural Network,ConvNet),也称为卷积网络(Convolutional Network),这对神经网络领域产生了重大影响
1998年LeNet是由Yann LeCun等人提出的深度学习模型
特征提取
其基本的计算形式是对图像进行卷积计算,padding与全连接进行处理:
其基本结构为卷积层+padding采样层进行图像矩阵计算,最后误差计算使用反向传播优化:
LeNet-5网络
- 输入层(Input Layer): 接受手写数字图像作为输入。原始的LeNet-5设计用于处理32x32像素大小的图像,但在实际应用中也可根据需要进行调整;
- 两层卷积两层padding层,采样使用maxpooling;
- 最后一层是全连接层;
残差网络
我们通过残差神经网络进解决梯度问题