卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如何理解深度學(xué)習(xí)中的卷積

來(lái)源：整理時(shí)間：2023-09-06 12:19:14 編輯：智能門(mén)戶(hù) 手機(jī)版

本文目錄一覽

1，如何理解深度學(xué)習(xí)中的卷積
2，假設(shè)面試官什么都不懂詳細(xì)解釋cnn的原理
3，什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要
4，全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處以及是如何實(shí)現(xiàn)的
5，如何更好的理解分析深度卷積神經(jīng)網(wǎng)絡(luò)
6，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

1，如何理解深度學(xué)習(xí)中的卷積

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示?！　《鄬由窠?jīng)網(wǎng)絡(luò)是指單計(jì)算層感知器只能解決線性可分問(wèn)題，而大量的分類(lèi)問(wèn)題是線性不可分的?？朔斡?jì)算層感知器這一局限性的有效辦法是，在輸入層與輸出層之間引入隱層（隱層個(gè)數(shù)可以大于或等于1）作為輸入模式“的內(nèi)部表示”　，單計(jì)算層感知器變成多（計(jì)算）層感知器?！　⊙a(bǔ)充：　　深度學(xué)習(xí)的概念由Hinton等人于2006年提出。基于深信度網(wǎng)(DBN)提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來(lái)希望，隨后提出多層自動(dòng)編碼器深層結(jié)構(gòu)。此外Lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)是第一個(gè)真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對(duì)關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能?！　∩疃葘W(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本。

如何理解深度學(xué)習(xí)中的卷積

2，假設(shè)面試官什么都不懂詳細(xì)解釋cnn的原理

卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效識(shí)別方法。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡(jiǎn)稱(chēng)CNN）。CNN主要用來(lái)識(shí)別位移、縮放及其他形式扭曲不變性的二維圖形。由于CNN的特征檢測(cè)層通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，所以在使用CNN時(shí)，避免了顯示的特征抽取，而隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)；再者由于同一特征映射面上的神經(jīng)元權(quán)值相同，所以網(wǎng)絡(luò)可以并行學(xué)習(xí)，這也是卷積網(wǎng)絡(luò)相對(duì)于神經(jīng)元彼此相連網(wǎng)絡(luò)的一大優(yōu)勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在語(yǔ)音識(shí)別和圖像處理方面有著獨(dú)特的優(yōu)越性，其布局更接近于實(shí)際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜性，特別是多維輸入向量的圖像可以直接輸入網(wǎng)絡(luò)這一特點(diǎn)避免了特征提取和分類(lèi)過(guò)程中數(shù)據(jù)重建的復(fù)雜度。

我是來(lái)看評(píng)論的

假設(shè)面試官什么都不懂詳細(xì)解釋cnn的原理

3，什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周?chē)鷨卧?，?duì)于大型圖像處理有出色表現(xiàn)。[1] 它包括卷積層(alternating convolutional layer)和池層(pooling layer)。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效識(shí)別方法。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡(jiǎn)稱(chēng)CNN）。現(xiàn)在，CNN已經(jīng)成為眾多科學(xué)領(lǐng)域的研究熱點(diǎn)之一，特別是在模式分類(lèi)領(lǐng)域，由于該網(wǎng)絡(luò)避免了對(duì)圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。 K.Fukushima在1980年提出的新識(shí)別機(jī)是卷積神經(jīng)網(wǎng)絡(luò)的第一個(gè)實(shí)現(xiàn)網(wǎng)絡(luò)。隨后，更多的科研工作者對(duì)該網(wǎng)絡(luò)進(jìn)行了改進(jìn)。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進(jìn)認(rèn)知機(jī)”，該方法綜合了各種改進(jìn)方法的優(yōu)點(diǎn)并避免了耗時(shí)的誤差反向傳播。

什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要

4，全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處以及是如何實(shí)現(xiàn)的

1.卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周?chē)鷨卧?，?duì)于大型圖像處理有出色表現(xiàn)。[1] 它包括卷積層(alternating convolutional layer)和池層(pooling layer)。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效識(shí)別方法。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡(jiǎn)稱(chēng)CNN）?，F(xiàn)在，CNN已經(jīng)成為眾多科學(xué)領(lǐng)域的研究熱點(diǎn)之一，特別是在模式分類(lèi)領(lǐng)域，由于該網(wǎng)絡(luò)避免了對(duì)圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。 K.Fukushima在1980年提出的新識(shí)別機(jī)是卷積神經(jīng)網(wǎng)絡(luò)的第一個(gè)實(shí)現(xiàn)網(wǎng)絡(luò)。隨后，更多的科研工作者對(duì)該網(wǎng)絡(luò)進(jìn)行了改進(jìn)。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進(jìn)認(rèn)知機(jī)”，該方法綜合了各種改進(jìn)方法的優(yōu)點(diǎn)并避免了耗時(shí)的誤差反向傳播。

5，如何更好的理解分析深度卷積神經(jīng)網(wǎng)絡(luò)

用局部連接而不是全連接，同時(shí)權(quán)值共享。局部連接的概念參考局部感受域，即某個(gè)視神經(jīng)元僅考慮某一個(gè)小區(qū)域的視覺(jué)輸入，因此相比普通神經(jīng)網(wǎng)絡(luò)的全連接層（下一層的某一個(gè)神經(jīng)元需要與前一層的所有節(jié)點(diǎn)連接），卷積網(wǎng)絡(luò)的某一個(gè)卷積層的所有節(jié)點(diǎn)只負(fù)責(zé)前層輸入的某一個(gè)區(qū)域（比如某個(gè)3*3的方塊）。這樣一來(lái)需要訓(xùn)練的權(quán)值數(shù)相比全連接而言會(huì)大大減少，進(jìn)而減小對(duì)樣本空間大小的需求。權(quán)值共享的概念就是，某一隱藏層的所有神經(jīng)元共用一組權(quán)值。這兩個(gè)概念對(duì)應(yīng)卷積層的話，恰好就是某個(gè)固定的卷積核。卷積核在圖像上滑動(dòng)時(shí)每處在一個(gè)位置分別對(duì)應(yīng)一個(gè)“局部連接”的神經(jīng)元，同時(shí)因?yàn)椤皺?quán)值共享”的緣故，這些神經(jīng)元的參數(shù)一致，正好對(duì)應(yīng)同一個(gè)卷積核。順便補(bǔ)充下，不同卷積核對(duì)應(yīng)不同的特征，比如不同方向的邊（edge）就會(huì)分別對(duì)應(yīng)不同的卷積核。激活函數(shù)f(x)用ReLU的話避免了x過(guò)大梯度趨于0（比如用sigmoid）而影響訓(xùn)練的權(quán)值的情況（即Gradient Vanishing）。同時(shí)結(jié)果會(huì)更稀疏一些。池化之后（例如保留鄰域內(nèi)最大或采納平均以舍棄一些信息）一定程度也壓制了過(guò)擬合的情況。綜述總體來(lái)說(shuō)就是重復(fù)卷積-relu 來(lái)提取特征，進(jìn)行池化之后再作更深層的特征提取，實(shí)質(zhì)上深層卷積網(wǎng)絡(luò)的主要作用在于特征提取。最后一層直接用softmax來(lái)分類(lèi)（獲得一個(gè)介于0~1的值表達(dá)輸入屬于這一類(lèi)別的概率）。

6，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成?！　D：卷積神經(jīng)網(wǎng)絡(luò)的概念示范：輸入圖像通過(guò)和三個(gè)可訓(xùn)練的濾波器和可加偏置進(jìn)行卷積，濾波過(guò)程如圖一，卷積后在c1層產(chǎn)生三個(gè)特征映射圖，然后特征映射圖中每組的四個(gè)像素再進(jìn)行求和，加權(quán)值，加偏置，通過(guò)一個(gè)sigmoid函數(shù)得到三個(gè)s2層的特征映射圖。這些映射圖再進(jìn)過(guò)濾波得到c3層。這個(gè)層級(jí)結(jié)構(gòu)再和s2一樣產(chǎn)生s4。最終，這些像素值被光柵化，并連接成一個(gè)向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，得到輸出?！　∫话愕兀琧層為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部感受野相連，并提取該局部的特征，一旦該局部特征被提取后，它與其他特征間的位置關(guān)系也隨之確定下來(lái)；s層是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射為一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。　　此外，由于一個(gè)映射面上的神經(jīng)元共享權(quán)值，因而減少了網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)，降低了網(wǎng)絡(luò)參數(shù)選擇的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)中的每一個(gè)特征提取層（c-層）都緊跟著一個(gè)用來(lái)求局部平均與二次提取的計(jì)算層（s-層），這種特有的兩次特征提取結(jié)構(gòu)使網(wǎng)絡(luò)在識(shí)別時(shí)對(duì)輸入樣本有較高的畸變?nèi)萑棠芰Α?/section>

可以啊，但是沒(méi)必要，卷積網(wǎng)本身就能夠自動(dòng)智能的提取特征，你只要設(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)卷積提取多少個(gè)特征就行了。

强奸久久久久久久|草草浮力在线影院|手机成人无码av|亚洲精品狼友视频|国产国模精品一区|久久成人中文字幕|超碰在线视屏免费|玖玖欧洲一区二区|欧美精品无码一区|日韩无遮一区二区

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如何理解深度學(xué)習(xí)中的卷積

本文目錄一覽

1，如何理解深度學(xué)習(xí)中的卷積

2，假設(shè)面試官什么都不懂詳細(xì)解釋cnn的原理

3，什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要

4，全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處以及是如何實(shí)現(xiàn)的

5，如何更好的理解分析深度卷積神經(jīng)網(wǎng)絡(luò)

6，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

最近更新

相關(guān)文章

經(jīng)驗(yàn)最新文章

產(chǎn)品排行榜推薦

經(jīng)驗(yàn)排行榜精選

經(jīng)驗(yàn)文章排行榜

熱門(mén)標(biāo)簽

强奸久久久久久久|草草浮力在线影院|手机成人无码av|亚洲精品狼友视频|国产国模精品一区|久久成人中文字幕|超碰在线视屏免费|玖玖欧洲一区二区|欧美精品无码一区|日韩无遮一区二区

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如何理解深度學(xué)習(xí)中的卷積

本文目錄一覽

1，如何理解深度學(xué)習(xí)中的卷積

2，假設(shè)面試官什么都不懂詳細(xì)解釋cnn的原理

3，什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要

4，全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處以及是如何實(shí)現(xiàn)的

5，如何更好的理解分析深度卷積神經(jīng)網(wǎng)絡(luò)

6，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

最近更新

相關(guān)文章

經(jīng)驗(yàn)最新文章

產(chǎn)品排行榜推薦

經(jīng)驗(yàn)排行榜精選

經(jīng)驗(yàn)文章排行榜

熱門(mén)標(biāo)簽

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如何理解深度學(xué)習(xí)中的卷積

1，如何理解深度學(xué)習(xí)中的卷積

3，什么是卷積神經(jīng)網(wǎng)絡(luò)為什么它們很重要

4，全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處以及是如何實(shí)現(xiàn)的

5，如何更好的理解分析深度卷積神經(jīng)網(wǎng)絡(luò)

6，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的