深度学习神经网络入门到实践—入门

最新推荐文章于 2024-09-12 11:12:51 发布
最新推荐文章于 2024-09-12 11:12:51 发布
阅读量48 收藏
点赞数
文章标签： 深度学习 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/weixin_52377307/article/details/132287575
版权
本文探讨了深度学习在自动特征提取中的应用，强调数据量的重要性，介绍了计算机视觉任务中的问题，如背景融入等。涉及神经网络的基础，包括得分函数、损失函数、前向传播和反向传播，以及神经元数量、正则化和过拟合的处理方法。
摘要由CSDN通过智能技术生成

f8d8f9c64af141f8b60da27de4d4e174.png

 参考B站视频

 

P1深度学习要解决的问题

自动进行特征提取

P2应用

深度学习在几万数据量上才表现的较好，数据量太小和传统人工智能算法没啥差别。

输入数据时，可以对输入的图片进行翻转镜面等操作。

李飞飞创建的数据集：

79fe8f9a058e45cca4e8e3ff07134c09.png

P3计算机视觉任务

定一个图片，计算机给出这个图片的标签

1dc5c800727d41c98c062db6b10cd9a7.png 

会遇到各种问题，比如背景融入、形状改变、遮蔽、拍摄角度等问题，需要加大数据量，多给出一些已知图片和标签的数据。

P4视觉任务中遇到的问题

采用k近邻算法容易以背景为主导

13ed4384d50845bfaf9d3667d96d0449.png

ddabef0c5626410aaf1a2184e586afaa.png 

 

P5神经网络基础——得分函数

这里的得分函数大概就是权重，权重的意思也就是每个像素点属于猫或者狗这类结果的得分，下面这张图里，总共有10种分类结果。

909d2eb80491462fb1bafb6102ada898.png

P6损失函数的作用

a5d26695196e4333b1f3e5429dda6e5a.png

 

P7前向传播整体流程

前向传播也就是顺着下来得到损失值或者概率值即可（暂时不考虑模型更新）

Softmax分类器可以得到概率值

f80f45af781b4f8c9f3f6ab998fa6b82.png

63558d23c0a744038bb4475f8f3f3934.png 

efc1ceeb832f4bb9b52a98f5dbad2462.png 

f556c2493a454fb6aaa8c4a27b80a19d.png 

 

P8反向传播计算方法

复习一下逻辑回归里的梯度下降，依靠梯度下降进行反向传播。

f85103b13d754fc9bd935566c692b3ef.png

感觉这里更新的红色的值，只是走的一步。 2461a33b50bc4e01b5ee206e10c125c9.png

b017d03285bf43d28ed1b6926a81ffb8.png

d0713ce6cc86424686802e8baf2de38e.png

 

2fc92ba656804d5c854c429a3c5a2e53.png 

 

P9、P10神经网络整体架构及细节

85935c5dc56c453c9eaa7c7a6b18d7b6.png

01f4f7c682564c1f99dc493eceb5e84e.png 

P11神经元个数对结果的影响 

http://cs.stanford.edu/people/karpathy/convnetjs/demo/classify2d.html

可以去这个网站改神经元的个数观察，理论上是神经元个数越多越好，

不过28 、64是常见的神经元个数， 太多了会过拟合。

P12正则化与激活函数

d5115c729abc4976832add4dbc718a2e.png

61ba412f9f374a0882843fbdc8820344.png 

P13神经网络过拟合的解决办法 

3489bb8f730a4f9da674fc9ac6e6ab28.png

1d4454137cd4464e899bef640cea847f.png 

 

 

 

 

 

 

 

 

 

 

 

 

海边码头
关注
最适合入门的100个深度学习项目
CSDN 精品推荐
10-17 10万+
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
神经网络与深度学习（入门篇）
weixin_61970590的博客
12-22 1120
神经网络与深度学习（入门篇）
深度学习总结
吴明耀の博客
01-02 1986
神经网络： 目的：            对自然界的某种函数的逼近。例如：一张图片和该图片的语义（即该图片的内容）之间是一种函数关系，只要能找到这个函数，机器就能识别一张图片内容。     支撑点：            能力+效率   /*********************************分割线**************************************...
神经网络中隐层数和隐层节点数问题的讨论
lqlong19922008的专栏
03-30 1万+
神经网络中隐层数和隐层节点数问题的讨论<br />一隐层数<br />        一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。因此，一般认为，应将不含隐层的网络模
深度学习（三） 卷积神经网络入门与实践
Hello World!
02-28 5968
基于全连接神经网络的种种弊端，卷积神经网络(CNN)横空出世。卷积神经网络的核心思想在于：我们能不能将传统神经网络在识别图像时变得像人一样灵活，能够用双眼去识别图像的特征从而在大脑中聚合特征信息得到识别结果，而不是盲目的去学习全部？卷积神经网络结构主要由：输入层、卷积层、池化层、激活层、全连接层 组成，我们将分别介绍。
深度学习入门实操——tensorflow 搭建神经网络
weixin_51286347的博客
11-06 3108
通过搭建一个简单的3层神经网络，进行tensorflow实践的入门
2小时入门神经网络与深度学习
孟孟单单的博客
03-11 4623
入门神经网络与深度学习 【唐宇迪带你学AI】2个小时快速入门神经网络与深度学习是什么感受？ 人工神经网络就是一个大黑箱，通过这个黑箱子就可以提取出比较好的特征。 p1 深度学习，就是计算机去学习（提取）什么样的特征是最合适的，有了特征之后，就做任意分类等操作（例如LR、SVM）。 p2 深度学习一般应用在CV（图像数据）、NLP（文本数据）中。 人脸关键点上加上一些视觉变换。 深度学习最大的问题：速度太慢了，在移动端的支持不太好。因为它的计算量太大了，包含成百万、千万的特征。 医学上的应用特别多、变脸、超分
深度学习神经网络入门案例详细解析-鸢尾花案例
weixin_46969441的博客
11-01 1万+
神经网络设计过程 案例： 鸢尾花分类 鸢尾花三种类别： 三种: 狗尾巴 杂草 小腹肌 通过搭建一个神经网络来对鸢尾花进行分类 收集花朵 的特征值： 四种 花萼长 花萼宽 花瓣长 花瓣宽 以及： 三种输出结果 狗尾巴 杂草 小腹肌 操作方法： 1.收集数据集，花的特征，以及这些花是什么品种，即 标签。 2.将数据集 训练模型。通过反向传播训练。 3.将不知道品种的花的特征输入模型，自动出来花的种类。 神经网络模型： 输入神经元 4个，输出神经元3个 4个是花的四个特征 3个是三种花 连接关系是
深度学习02-神经网络(MLP多层感知器)
热门推荐
liaomin416100569的专栏
05-09 5万+
神经网络是一种基于生物神经系统结构和功能特点而设计的人工神经网络模型，具有很强的自适应性和非线性映射能力。神经网络由多个神经元（或称节点）组成，这些神经元通过连接权重相互连接，构成多层的网络结构。每个神经元接收到来自其它神经元的信号，并将这些信号加权线性组合后通过激活函数进行非线性转换，最终输出给下一层神经元或输出层。学习机器学习后，学习神经网络可以帮助你更深入地理解模式识别和人工智能领域的基础知识。神经网络在很多领域都有广泛的应用，例如计算机视觉、自然语言处理、语音识别等。
神经网络与深度学习
Kilig___的博客
06-18 1万+
神经网络与深度学习复习
深度学习框架pytorch入门与实践pdf书与代码.zip
02-04
《深度学习框架PyTorch入门与实践》是一本旨在引导初学者和有一定基础的开发者深入理解并掌握PyTorch这一强大深度学习库的书籍。PyTorch是Facebook AI Research（FAIR）团队开发的一个开源机器学习框架，以其易用性...
深度学习神经网络的入门脚本 基于numpy从零指导如何写一个神经网络库
02-12
深度学习神经网络的入门脚本。基于numpy从零指导如何写一个神经网络库。 总之，这既是一个深度学习教程，也是一个深度学习python库。 如何使用? 正如标题所示，您可以使用该repo作为如何构建神经网络的教程，以及一...
深度学习：Keras入门(二)之卷积神经网络(CNN)
01-26
卷积神经网络（CNN）是深度学习领域中用于图像处理和计算机视觉任务的重要模型。Keras是一个高级神经网络API，可以方便地构建和训练复杂的CNN模型。本篇将深入介绍Keras中的CNN基本概念和结构。 1. **卷积运算**： ...
深度学习神经网络的入门脚本.rar
06-14
神经网络的特征就是可以从数据中学习，指的是由数据自动决定权重参数的值。 之前感知机对照真值表人工设定了3个参数值，而实际的神经网络参数的数量成千上万甚至过亿，想用人工决定参数的值就不可能了。这一章就是...
深度学习框架pytorch入门与实践源代码.rar
11-21
《PyTorch深度学习入门与实践》源代码详解 PyTorch是Facebook开源的一个强大而灵活的深度学习框架，以其动态计算图模式和易于使用的特性受到了广大开发者和研究者的青睐。本篇将深入探讨PyTorch的核心概念、关键...
【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱
擅长将自己的感受、想法、知识通俗地表达出来，会点前后端开发、自动化测试、性能测试、爬虫。将来可能学硬件、AI。但一定会写实用的脚本。
09-06 2782
深度学习是机器学习的一个重要分支，通过多层神经网络处理复杂数据，广泛应用于图像识别、自然语言处理等领域。我们将在这篇文章中揭开深度学习和神经网络的神秘面纱。
深度学习中常见的损失函数
最新发布
技术宅学长的博客
09-12 699
不同的损失函数适用于不同的任务，回归任务中通常使用均方误差（MSE）和绝对误差（MAE），分类任务中使用交叉熵损失，物体检测和分割中使用IoU和Dice损失，而生成模型中使用对抗损失和重构损失。根据具体任务的特点选择合适的损失函数对于模型的性能有很大影响。
基于深度学习的零售柜商品识别系统实战思路
a871923942的博客
09-11 1195
YOLOv5是YOLO算法的一个实现版本，它在速度和准确性之间取得了很好的平衡。现在我们的数据已经准备好了，是时候训练我们的模型了。为了训练模型，我们需要为每张图像创建一个对应的标签文件，指明图像中物体的位置和类别。这段代码添加了一个新的标签来显示视频流，一个按钮来开始/停止实时识别，以及相应的方法来捕获和处理视频帧。这段代码创建了一个基本的窗口，包含一个图像显示区域、一个上传按钮、一个识别按钮和一个结果显示标签。为了提高系统的响应性，特别是在处理大图像或视频流时，我们可以使用多线程来进行识别。
秃姐学AI系列之：实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
m0_62415132的博客
09-11 764
在这里，我们选择预训练的ResNet-34模型，我们只需重复使用此模型的输出层（即提取的特征）的输入。然后，我们可以用一个可以训练的小型自定义输出网络替换原始输出层，例如堆叠两个完全连接的图层。因此，我们可以使用 微调中讨论的方法在完整ImageNet数据集上选择预训练的模型，然后使用该模型提取图像特征，以便将其输入到定制的小规模输出网络中。在计算损失之前，我们首先获取预训练模型的输出层的输入，即提取的特征。的处理一样，即从原始训练集中拆分验证集，然后将图像移动到按标签分组的子文件夹中。
深度学习入门：从神经网络到应用实践
"该资源是关于深度学习的详细教程，涵盖了从基础知识到最新进展的全面内容，特别关注了神经网络的理论与实践应用。" 深度学习是机器学习的一个分支，它模仿人脑的工作原理，通过多层非线性变换对数据进行建模，从而...
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