相關(guān)文章

• 

  深度學(xué)習(xí)入門(mén)（二）：神經(jīng)網(wǎng)絡(luò)整體架構(gòu)

  作用于每一層的輸入，通過(guò)逐層計(jì)算得到輸出結(jié)果 作用于網(wǎng)絡(luò)輸出，通過(guò)計(jì)算梯度由深到淺更新網(wǎng)絡(luò)參數(shù) 層次結(jié)構(gòu)：逐層變換數(shù)據(jù) 神經(jīng)元：數(shù)據(jù)量、矩陣大?。ù磔斎胩卣鞯臄?shù)量） x ： [ 1 , 3 ] x：[1,3] x ： [ 1 , 3 ] w 1 ： [ 3 , 4 ] w_1：[3,4] w 1 ? ： [ 3 , 4 ] h i d d e n l a y e r

  2024年02月15日

  瀏覽(28)
• 

  深度學(xué)習(xí)入門(mén)（一）：神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

  1、定義 通過(guò)訓(xùn)練多層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)位置數(shù)據(jù)進(jìn)行分類(lèi)或回歸，深度學(xué)習(xí)解決特征工程問(wèn)題。 2、深度學(xué)習(xí)應(yīng)用 圖像處理 語(yǔ)言識(shí)別 自然語(yǔ)言處理 在移動(dòng)端不太好，計(jì)算量太大了，速度可能會(huì)慢 eg.醫(yī)學(xué)應(yīng)用、自動(dòng)上色 3、例子 使用k最近鄰進(jìn)行判斷時(shí)， 背景主導(dǎo) 是最大的問(wèn)題，

  2024年02月15日

  瀏覽(35)
• 

  深度學(xué)習(xí)入門(mén)（三）：卷積神經(jīng)網(wǎng)絡(luò)（CNN）

  給定一張圖片，計(jì)算機(jī)需要模型判斷圖里的東西是什么？ （car、truck、airplane、ship、horse） CONV：卷積計(jì)算層，線性乘積求和 RELU：激勵(lì)層，激活函數(shù) POOL：池化層，取區(qū)域平均或最大（MAX POOL） PC：全連接層 對(duì)CNN來(lái)說(shuō)，它是一塊一塊進(jìn)行對(duì)比的，“小塊”稱之為Features特征。

  2024年02月11日

  瀏覽(37)
• 

  深度學(xué)習(xí)入門(mén)教學(xué)——卷積神經(jīng)網(wǎng)絡(luò)CNN

  1、應(yīng)用領(lǐng)域 檢測(cè)任務(wù) 分類(lèi)與檢索 超分辨率重構(gòu) 2、卷積網(wǎng)絡(luò)與傳統(tǒng)網(wǎng)咯的區(qū)別 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)都是用來(lái) 提取特征 的。 神經(jīng)網(wǎng)絡(luò)： 可以將其看作是一個(gè)二維的。 卷積神經(jīng)網(wǎng)絡(luò)： 可以將其看作是一個(gè)三維的。 ?3、整體框架 該層主要是對(duì)原始圖像數(shù)據(jù)進(jìn)行預(yù)處

  2024年02月10日

  瀏覽(25)
• 

  【深度學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)架構(gòu)-通俗易懂的入門(mén)課程】

  AI 包括 機(jī)器學(xué)習(xí) 包括 深度學(xué)習(xí) 目前深度學(xué)習(xí)的算法表現(xiàn)更好 數(shù)據(jù)獲取 特征工程 建立模型 評(píng)估與應(yīng)用 特征、算法 特征決定了模型的上限，算法和參數(shù)決定了如何去逼近這個(gè)基線 問(wèn)題：傳統(tǒng)的機(jī)器學(xué)習(xí)算法，在數(shù)據(jù)規(guī)模上升時(shí)，效果無(wú)法提升 模型如何搭建？ 領(lǐng)域都有成型

  2024年02月16日

  瀏覽(30)
• 

  深度學(xué)習(xí)入門(mén)——卷積神經(jīng)網(wǎng)絡(luò)CNN基本原理+實(shí)戰(zhàn)

  ? 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是深度學(xué)習(xí)技術(shù)中最基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu)，模擬人腦工作，具備強(qiáng)大的特征學(xué)習(xí)能力。CNN結(jié)構(gòu)主要由兩部分組成：特征提取部分和分類(lèi)部分color{blue}{特征提取部分和分類(lèi)部分}特征提取部分和分類(lèi)部分。特征提取部分網(wǎng)絡(luò)將執(zhí)行一系列

  2024年01月21日

  瀏覽(37)
• 

  深度神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理：基于超平面、半空間與線性區(qū)域的表示

  以前的文章主要描述了神經(jīng)網(wǎng)絡(luò)，即多層感知機(jī)、全連接模型的運(yùn)行原理，還是以實(shí)驗(yàn)為主，數(shù)學(xué)描述為輔的方式，這篇文章以純數(shù)學(xué)的視角來(lái)描述神經(jīng)網(wǎng)絡(luò)的運(yùn)行原理，主要以前饋過(guò)程為主（反向傳播的動(dòng)力學(xué)過(guò)程還是比較復(fù)雜，正向過(guò)程還未完全研究清楚，暫時(shí)還未考慮

  2024年02月06日

  瀏覽(16)

• 【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十七）：卷積神經(jīng)網(wǎng)絡(luò)入門(mén)

  我們?cè)谇懊鎸W(xué)習(xí)的多層感知機(jī)中，已經(jīng)認(rèn)識(shí)了全鏈接層，缺點(diǎn)很明顯，在稍微大點(diǎn)的網(wǎng)絡(luò)模型中，參數(shù)成指數(shù)級(jí)別增長(zhǎng)。參數(shù)量很快就達(dá)到數(shù)十億，這樣的量級(jí)幾乎無(wú)法計(jì)算。為此科學(xué)家們想出一個(gè)減少參數(shù)的方法：卷積。 從全鏈接層到卷積的推論，使用如下兩個(gè)原則： 平

  2024年02月13日

  瀏覽(59)
• 

  深度學(xué)習(xí)入門(mén)——深度卷積神經(jīng)網(wǎng)絡(luò)模型（Deep Convolution Neural Network,DCNN）概述

  機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的方法和手段，其專門(mén)研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)和技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身性能的方法。計(jì)算機(jī)視覺(jué)技術(shù)作為人工智能的一個(gè)研究方向，其隨著機(jī)器學(xué)習(xí)的發(fā)展而進(jìn)步，尤其近10年來(lái)，以深

  2024年02月13日

  瀏覽(49)
• 

  Matlab深度學(xué)習(xí)入門(mén)實(shí)例:從0搭建卷積神經(jīng)網(wǎng)絡(luò)CNN（附完整代碼）

  網(wǎng)上已具有大量卷積神經(jīng)網(wǎng)絡(luò)的講解，故本文不在對(duì)此贅述，這篇文章針對(duì)已了解CNN基礎(chǔ)結(jié)構(gòu)和原理者，以一個(gè)例子搭建一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，作為正式邁入深度學(xué)習(xí)的第一步。 我們以深度學(xué)習(xí)最經(jīng)典的案例——手寫(xiě)數(shù)字的識(shí)別，和一種經(jīng)典的CNN——LeNet進(jìn)行本次學(xué)習(xí)。

  2024年02月01日

  瀏覽(32)