Coursera吴恩达《卷积神经网络》课程笔记(1)卷积神经网络

最新推荐文章于 2024-06-04 19:48:40 发布
最新推荐文章于 2024-06-04 19:48:40 发布
阅读量3.2k 收藏 7
点赞数 2
分类专栏： 深度学习 文章标签： 神经网络 计算机视觉 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/yc1203968305/article/details/78517601
版权

计算机视觉

计算机视觉问题

  • 图片分类
    这里写图片描述

  • 目标检测
    这里写图片描述

  • 画风迁移
    这里写图片描述

在大图片上的深度学习

这里写图片描述
如果采用传统的全连接层，可能会导致参数巨大，导致无法进行计算。卷积神经网络由此产生

边缘检测的例子

这里写图片描述
可以设计一些专用的filter来提取图片的纵向边缘和横向边缘
- vertical edges
这里写图片描述

  • horizontal edges
    这里写图片描述
    这些专用的filters是计算机视觉专家精心设计出来的，往往可以提取一些不错的特征，但每次人为去设计，可能不够灵活。我们应该尝试让数据说话。也就说去学习一些filters
    这里写图片描述

Padding组件

为什么要引入Padding组件

  • 卷积操作会使输出缩小太快
  • 卷积操作会导致输出中只有极少数值会受到图像边缘像素的影响，这样相当于丢失了一些边缘像素的信息
    这里写图片描述

Strided 组件

strided卷积的例子

这里写图片描述

strided卷积的总结

这里写图片描述

在立体上的卷积

在RGB图像上的卷积

这里写图片描述

采用多个卷积filters

这里写图片描述

单层卷积神经网络

单层神经网络的例子

这里写图片描述

单层卷积神经网络的符号规定

这里写图片描述

Pooling组件

  • Max Pooling(常用)
    这里写图片描述
  • Average Pooling(不常用)
    这里写图片描述

Pooling层总结

这里写图片描述

  • 池化前后通道的数量不变

  • 池化层没有需要学习的参数

    卷积神经网络层的类型

  • 卷积层

  • 池化层
  • 全连接层

一个完整的卷积神经网络的例子

这里写图片描述

  • 参数主要集中在全连接层
  • 随着层数的递增， nH和nW 都是递减的， nC 是递增的

为什么卷积是有意义的

  • 参数共享：如果一个特征探测器在图像的某个部分是有用的，那么他很有可能在图像的另外的部分也是有用的
  • 稀疏连接：在每一层，每一个输出中的只依赖一小部分的输入
遇见更好的自己
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络（CNN）超详细介绍
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
卷积神经网络（CNN）详细介绍及其原理详解
热门推荐
IronmanJay的博客
01-14 14万+
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！
深度神经网络——什么是 CNN（卷积神经网络）？
最新发布
知来者逆的博客
06-04 1645
神经网络是一种受到人脑结构和功能启发的计算模型。它们由多层神经元组成，这些神经元通过加权连接相互关联。这些权重代表了输入数据特征之间的关系，以及它们与特定输出类别之间的联系。在神经网络的操作中，数据被输入到网络中，并通过层层神经元进行处理。每一层的神经元会对接收到的信号进行加权求和，然后通过一个激活函数来决定是否以及如何激活下一层的神经元。在训练过程中，网络的目标是通过调整这些权重来最小化输出和实际值之间的差异。
【综述】一文读懂卷积神经网络(CNN)
qq_43673118的博客
09-07 2万+
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降低了模型的复杂度、减小了过拟合的风险。当网络的输入为图像时，这些优点将表现地更加明显。
【通俗易懂】CNN详细讲解
jxwd的博客
09-04 1212
这一种方式也是常见的介绍CNN的方式，但和刚刚我们上面所说到的意思是一样的（就是同一个东西用不同的方法介绍而已）：我们说，什么是Convolutional Layer呢？这个Layer它有数个的Filter，每一个Filter都是3* 3 * channel大小的tensor那channel数如果为3，就代表着这个图片是彩色的，如果channel数为1，就代表这个图片是黑白的。每一个filter，就代表了它要识别的Pattern，或者说要守备的范围。
CNN(卷积神经网络)概述
亮亮的博客
11-07 2万+
过去几年，深度学习（Deep learning）在解决诸如视觉识别(visual recognition)、语音识别(speech recognition)和自然语言处理(natural language processing)等很多问题方面都表现出非常好的性能。在不同类型的深度神经网络当中，卷积神经网络是得到最深入研究的。早期由于缺乏训练数据和计算能力，要在不产生过拟合(overfitting)
Coursera 吴恩达作业及答案
08-22
这通常包括编程作业，涉及Python编程、TensorFlow或Keras等深度学习框架，以及理论性的概念问答，帮助学生巩固课程所学知识，如神经网络的构建、反向传播算法、卷积神经网络（CNN）、循环神经网络（RNN）和强化学习...
Deep AI 吴恩达深度学习-课程笔记
05-04
课程共五堂课，涵盖深度学习的基础、神经网络的构建、卷积神经网络（CNN）、递归神经网络（RNN）、长短期记忆（LSTM）等深度学习常用的网络结构、工具和知识。课程使用 Python 作为编程语言，使用 Google 开源的 ...
吴恩达 coursera机器学习，深度学习笔记
12-25
吴恩达的课程也讨论了深度学习的更高级主题，如卷积神经网络（CNN）、递归神经网络（RNN）和生成对抗网络（GAN）。 学习这些笔记不仅有助于理解基本概念，还可以帮助你掌握如何用Python编程语言和相关的库（如...
Coursera-ML-AndrewNg-Notes：吴恩达老师的机器学习课程个人笔记
02-04
卷积神经网络（CNN）在图像识别中表现出色，循环神经网络（RNN）则适用于序列数据处理，如自然语言处理。 这份笔记详细记录了这些核心概念的解释、公式推导和实践应用，还包括吴恩达教授的课程讲解和案例分析，是...
CNN简介
zzhhjjjj的博客
11-20 4152
CNN 卷积神经网络是含有卷积层的神经网络，而卷积层则得名于卷积运算。 Filter 在卷积层中，我们会用一个叫做filter的东西扫过一张图片。这些 filter 啊 它们的大小是,3 × 3 × Channel 的 Size。如果今天是彩色图片的话,那就是 RGB 三个 Channel,如果是黑白的图片的话,它的 Channel 就等於 1。一般而言，这个filter大小可以自己决定，我们这里用3×33\times33×3的filter来举例。 上图显示了卷积运算的基本过程，用3×33\times33
吴恩达卷积神经网络课件与笔记
12-22
自己整理的吴恩达深度学习第四课（卷积神经网络）的课件，大家一起深度学习吧。
反向传播算法数学推导
11-21
吴恩达机器学习课程反向传播算法的数学推导 Proof of Back Propagation Algorithm.pdf 【本文旨在给出吴恩达机器学习课程反向传播算法的数学推导】
CNN卷积神经网络
TGYAO的博客
06-08 4517
CNN，全称为卷积神经网络（Convolutional Neural Network），是一种用于处理具有网格结构数据（如图像、视频和音频）的前馈神经网络。它是深度学习领域中最常用的模型之一，尤其适用于计算机视觉任务。
吴恩达卷积神经网络 笔记,吴恩达 深度神经网络
ynca67269的博客
08-19 529
作为人工智能成果的集大成者，无人车在机器学习领域仍有很大发展空间，吴恩达在演讲中描述了无人驾驶的传统模型：通过图片观测附近的车(cars)与行人(pedestrians)，计算出该有的路径规划(plan)，然后通过公式/规则判断出应该进行的下一步行动(steering)，如果可以直接把图片处理成最终的操作指令可以指数级提高反应速度，带来效率提升。我们力所能及的，算是“弱人工智能”（NarrowAI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。这些技术有人类智能的一面。
吴恩达系列课程——卷积神经网络（From：网易云课堂）
好好的学习空间
04-09 2824
一.卷积神经网络1.计算机视觉图片分类、图片识别：给出64*64图片计算机判断是否是一只猫目标检测：检测出图片中有哪些物体以及他们的位置风格迁移：图片融合图片1的轮廓和图片2的风格eg:1000*1000大小的图片的特征向量将达到1000*1000*3（RGB 3channels），若使用标准的全连接网络将需要产生数量巨大的权值。。。所以引入卷积神经网络 2.边缘检测示例卷积运算是CNN的基础，边...
coursera 吴恩达 -- 第一课 神经网络和深度学习 ：第二周课后习题 Neural Network Basics Quiz, 10 questions
qq_25436597的博客
12-18 2684
解决问题就像打怪
吴恩达机器学习视频--神经网络反向传播算法公式推导
xuan_liu123的博客
11-02 7475
反向传播算法 基础知识 我们在计算神经网络预测结果时采用了正向传播方法，从第一层开始正向一层一层进行计算算，直到最后一层的hθ(x)h_\theta (x)hθ​(x)。在不作正则化处理的情况下，逻辑回归中的代价函数如下所示： J(θ)=−1m[∑j=1ny(i)loghθ(xi)+(1−y(i))log(1−hθ(x(i)))]J(\theta)=-\frac{1}{m}[\sum_{j=1}^...
斯坦福大学深度学习公开课cs231n学习笔记（10）卷积神经网络
满城风絮
12-18 9410
前记：20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时，发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于避免了对图像复杂的前期预处理操作，可以直接输入原始图像，因而得到了更为广泛

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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