CNN入门(一)CNN是什么?

Deep Learning模型之:CNN卷积神经网络(一)深度解析CNN 1. 概述         回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态,层与层的网络节点之间是全连接的。这样设想一下,如果BP网络中层与层之间的节点连接不再是全连接,而是局部连接的。这样,就是一种最简单的一维卷积网络。如果我们把上述这个思路扩展到二维,这就是我们在大多数参考资料上看到的卷积神经网络。具体参看下图: 阅读详情

我是 雪天鱼,一名FPGA爱好者,研究方向是FPGA架构探索和数字IC设计。

关注公众号【集成电路设计教程】,获取更多学习资料,并拉你进“IC设计交流群”。
QQIC设计&FPGA&DL交流群 群号:866169462。

原文链接:https://zhuanlan.zhihu.com/p/37146355

一、简介

enter description here

单从字面上看,卷积神经网络这个词听起来就像是生物学和数学的诡异组合,里面可能还掺了一点计算机科学的意味,但这种神经网络一直在为计算机视觉领域默默贡献着最具影响力的创新。2012年是神经网络蓬勃发展的第一年,Alex Krizhevsky利用它们在当年的ImageNet竞赛中赢得了胜利,把分类错误率从原来的26%降低到了15%,这在当时简直是惊天之举。

从那之后,许多公司开始把深度学习纳入自家的核心产品中:Facebook把神经网络用于自动标记算法,Google把神经网络用于图像搜索,亚马逊把它们用于商品推荐,Pinterest把它们用于主页的个性化,而Instagram则开始用神经网络改进搜索架构。

enter description here

而在这些神经网络中,应用最为广泛的就是今天我们要聊的CNN。以图像处理为例,我们来看看CNN是怎么帮助进行图像分类的。

二、输入输出

图像分类指的是输入一张图像后,神经网络输出一个关于这个图像的类,或是图像属于某类的概率的任务。对人类而言,这是我们从出生那一刻起就开始不断学习的技能之一,而且随着年龄的增长,人们处理这种任务会越来越轻松自然。

无需二次思考,我们就能快速无缝识别身处的环境和周围的所有物体。当看到一幅图或是观察周围环境时,我们几乎是下意识地调用以往学习的所有知识,为场景中的各个对象一一打上标签。

enter description here

但计算机不同。我们把图像输入计算机后,它“看”到的其实是一组像素值。这些像素值的数量会随图像的大小和分辨率发生改变,如果输入图像是一张JPG格式的彩色图像,它的像素为480×480,那么计算机得到的就是一个大小为480×480×3(这里3表示RGB值)的数组。

这个数组里的每一个值都介于0-225之间,描述了对应像素的强度。虽然这些值对分类任务来说毫无意义,但它们是计算机可以用的唯一输入。这就带出了另一个更直白的图像分类任务描述:它其实是把像素值数组作为输入,然后输出图像属于某一类的具体概率,如80%(猫)、15%(狗)、5%(鸟)。

三、我们想让计算机做什么

知道了理想的输入和输出,我们面临的下一个问题是如何让计算机解决这个任务。我们希望它能区分所有图像,然后找出狗之所以是狗、猫之所以是猫的独特特征。这是人类的本能反应。当我们看到包含狗的图像时,如果图像里出现了一些明确的识别特征,如狗爪子和四条小短腿,我们可以迅速将其归类。

同样的,计算机分辨猫狗的做法是观察边缘、曲线等低层次特征,然后把这些放进一系列卷积层中进一步提取更多抽象概念。当然,这只是CNN进行图像分类的一般概述,在下一节中我们会具体说明。

在开始正题前,我们先来探讨一下“卷积神经网络”这个词。当你第一次接触这个术语时,你会不会觉得这应该是神经科学或生物学方面的东西?其实这种感觉是正确的,CNN是生物学家对动物的视觉研究成果的一个衍生物。

视觉皮层中存在一块对视野特定区域尤为敏感的细胞。1962年,Hubel和Wiesel对视觉神经细胞做了一个实验,实验表结果明,只有在存在特定方向边缘的情况下,大脑中的一些神经细胞个体才会响应。他们发现所有这些神经细胞都位于一个柱状结构中,而且能产生视觉感知。这种在特定任务的系统内部寻找特定组件的思想正是如今许多计算机任务的核心,它也是CNN背后的基础。

让我们回到CNN,简而言之,它的一般流程就是:输入图像——卷积层、非线性层、池化层(下采样)、完全连接层——输出分类/概率。那么这些层分别都做了什么呢?

3.1 第一层 - 数学视角

CNN的第一层是一个卷积层。我会假装你还记得神经网络的输入和输出分别是什么,所以在这里我们假设输入图像是一张像素为32×32的彩色JPG,相应的,CNN的输入就是一个32×32×3的像素值数组。那么作为第一层的卷积层究竟有什么用?如下图所示,我们可以把卷积层想象成一片区域,上面一个发光的手电筒正在从左上角开始一块块检查所有区域。手电筒的光照范围是5×5。

enter description here

在机器学习术语中,这个手电筒是filter(神经元/卷积核),每次照亮的这块5×5的区域是receptive field(感受野)。filter也是一个数组(权重/参数),而且深度必须和输入图像深度一致,这样才能确保计算。在我们的例子中,filter的尺寸是5×5×3。

随着手电筒从左上角开始逐渐照亮周围区域,图像正在卷积,这时filter的数组会与原图像像素值数组相乘(计算点积),在上述示例中,它需要进行75次乘法运算,然后把这些乘积相加得到一个值。检查完第一块5×5后,我们把手电筒往右挪一个像素继续计算点积,之后继续往右挪一个像素,以此类推。

已知原输入是32×32×3,filter尺寸5×5×3,当手电筒扫完整片区域后,最后我们在隐藏层获得的是一个28×28×1的数组(窗口逐格挪动,边界少2;3个颜色通道合并成1个)。它也被称为 activation map(加激活函数)或 feature map。

注:如果这里我们用了两个5×5×3的filter,那最后的映射结果会是28×28×2。filter越多,空间维度保留得越好。

3.2 第一层 - 高层次的视角

知道了具体的数学计算步骤后,我们似乎还是不清楚卷积层的作用,所以这里我们从高层次的视角再看一遍。

每个filter都可以被看作是特征标识符( feature identifiers),这里的特征指的是直线边缘、曲线、黑白等,它们是每个图像的都具备的最简单的特征。假设我们有一个7×7×3的能检测曲线的filter,它会给带有曲线像素结构的区域更高数值。(请忽略filter的深度,只把它看成一个数组)

enter description here

上图就是这个filter的可视化,它在曲线区域赋予了更高的权重,因此当图像感受野和它相乘时,相应区域的值会很高。

enter description here

假设输入图像是一只小老鼠的简笔画。当filter从左上角开始卷积时,窗口先接触到老鼠尾部。请记住一点,我们必须计算filter与图像原始像素数组和乘积。

enter description here

这个圆润的曲线和filter的理想曲线形状相似,相乘后,它们产生了一个很大的值。

enter description here

但是,如果这时我们把窗口移到老鼠头部,输出结果就很差了。我们要注意一点,就是filter的输出是个activation map(必定要ReLu一下),所以在这个只包含一个filter的简单示例中,第一个卷积层在图像左上角的区域得到了高值,而对右上角不会有激活反应。这就起到了“过滤”的效果。

当然这只是一个filter,一个只能分辨向左凸出的曲线的filter,在真实实践中,我们可以设置大量不同的filter来获得更全面的activation map,如检测直线的、色彩的。

注:这里的曲线、直线、色彩都是假设,事实上我们并不清楚CNN捕捉的特征是什么,我们只能从数据中看出它有没有得到新特征,切勿认为计算机看到的就等同于人眼看到的。

enter description here

3.3 越来越深的网络

现在在一些经典CNN架构中,卷积层之间偶尔也会出现一些其他层,感兴趣的读者可以去了解一下这些层分别是什么,或者分别有什么作用,但总的来说,它们的出现都是为了增强神经网络的稳定性并控制过拟合。从某种角度上说,CNN一般长这样:

enter description here

常规的CNN包含两个卷积层就够了,一些更高级的可能会存在多个卷积层的情况。就上图而言,最后一个完全连接层是非常重要的,但我们把它放到下一节再介绍,先聊聊之前的各个步骤。把图像输入神经网络后,第一个卷积层输出的是activation map,这时网络提取到了图像中的一些低层次特征,就像人类眼中的边缘和曲线。

用ReLu激活后,CNN把activation map输入第二个卷积层,在这里,filter过滤的就是activation map中的特征,这是一个从低层次特征中提取高层次特征的过程,虽然我们不知道计算机看到了什么,但如果拿人类学习来类比,这一步可以被理解为从之前看到的边缘、曲线中找出能组成半圆、正方形的线条组合。

卷积层越多,我们能提取到的高层次特征就越多,神经网络对像素空间就越敏感。反过来看,这时网络复杂度也高了,容易产生过拟合。

3.4 全连接层

有了高层次特征,现在我们就能品尝CNN的精华——全连接层了。无论之前是卷积层的输出还是ReLu、池化层的输出,全连接层基本只接受一个输入,并输出一个N维向量,其中N是必须从中选择的分类数。如果你想要分类手写数字,这时N就是10,因为有10个数字。

这个N维向量中的每个数字代表属于某个类别的概率。例如,如果全连接层的输出是[0 .1 .1 .75 0 0 0 0 .05],那么图像是1的概率就是10%,是2概率是10%,是3的概率是75%,是9的概率则是5%(注意:还有其他方法可以表示输出,这里只展示softmax方法)。

简而言之,全连接层的作用就是观察前一层的输出(一般是包含高层次特征的activation map),然后确定哪些特征与特定类最相关。以人类类比,如果要辨别图像里的是不是狗,我们会注意里面有没有爪子、四肢;如果要辨别是不是鸟,翅膀和喙就特别重要。全连接层会赋予这些相关性更强的特征更多权重,以便当我们计算权重和上一层之间的乘积时,我们可以得到图像属于不同类别的正确概率。

enter description here

3.5 训练

最后就到了CNN最重要的部分——训练了。在阅读前文时,我们可能有诸多疑惑:filter是怎么知道自己要找哪些低层次特征的?全连接层又是怎么筛选activation map的?计算机能自动选取filter中的权重吗?很显然,这一切都是由经典的反向传播来实现的。

在我们刚出生的时候,一切都是新的,我们不知道什么是狗,也不知道什么是鸟。同样的,当一个CNN被刚写出来的时候,它的世界也才刚起步,所有数值都是随机选取的,filter不知道自己要筛选什么特征,全连接层也无法在activation map里放大有效信息。而随着年龄的增长,我们的父母和老师逐渐向我们展示了这个多彩的世界,以及和它紧密相关的诸多标签。训练就是CNN学习的过程,通过查看数据集中成千上万的图片,神经网络也能慢慢从中捕捉到特征,并学会正确分类。

反向传播由4个不同步骤组成:正向传递、损失函数、反向传递和权重更新。

正向传递 时,我们输入一张图像,一个尺寸为32×32×3的像素值数组,然后将其传递给整个网络。在我们的第一个训练示例中,由于所有权重/filter值都是随机初始化的,因此输出结果可能类似[.1 .1 .1 .1 .1 .1 .1 .1 .1],它在分类上“不偏不倚”。

损失函数 开启了“反向”的第一步。当网络现有权重无法提取低层次特征时,这就意味着它没法得出合理的分类结果。但是记住一点,我们用的是训练数据,它包含图像和标签两种信息,这就意味着我们能用损失函数计算预测标签和真实标签的差异,差异越小,CNN预测正确的可能性就越大,性能也越好。损失函数有很多,其中最常用的MSE(均方误差):

enter description here

既然目的是把损失值降到最低,那这就成了一个优化问题——找出对输出影响最大的输入,也就是dL / dW,其中W是特定层的权重。

enter description here

现在,我们要做的是通过网络进行反向传递,确定哪些权重对损失影响最大,并找到调整它们的方法从而减少损失。一旦我们计算出这个导数,我们就会进入最后一步,权重更新。

enter description here

学习率(learning rate) 是一个可以自定义调整的超参数,它影响着着CNN的收敛速度。如果学习率过大,权重更新的幅度就很大,这时CNN能快速收敛,但它也带来一个问题,就是权重的精度不够,无法得出最优解。

enter description here

正向传递、损失函数、反向传递和权重更新的过程构成一轮训练迭代。CNN会对参与训练的每组图像(batch)进行进行固定次数的迭代。一旦你完成了最后一个训练样本的参数更新,这时网络的性能更好了,各层的权值也终于调整正确了。

CNN入门讲解:如何理解卷积神经网络的结构 原创文章,一家之言。 个人公众号:follow_bobo 知乎号:蒋竺波 转载请通知本人。 大家好,我是波波,欢迎再次来到CNN入门讲解。 上次我们讲什么卷积以及卷积在卷积神经网络里的作用,那我们这一期来理一理卷积神经网络大致的结构 阅读详情

相关推荐

Lumerical官方案例、FDTD时域有限差分法仿真学习(十八)——Y分支粒子群算法优化

组件优化是任何致力于开发高性能光子器件的设计过程的关键步骤。 此绝缘体上硅 Y 分支示例演示了适用于任意优化例程的通用组件形状参数化方法。 此示例中的算法是 Lumerical 的内置粒子群优化 (PSO),可通过用户界面轻松设置。 此外,建议的优化过程展示了如何将 varFDTD 与全 3D FDTD 求解器相结合,以显着减少优化时间,同时保持高精度。

weixin_45719141的博客 1万+

卷积神经网络(CNN)超详细介绍

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

weixin_44021149的博客 6万+

海康摄像头RTSP流延迟优化实战:从VLC到OpenCV的5种方案对比与性能调优

本文针对海康摄像头RTSP流的高延迟问题,深入剖析了延迟根源,并系统对比了从VLC、OpenCV到海康官方SDK、FFmpeg及硬件加速等五种主流方案的性能表现。重点分享了缓冲区设置、协议优化、多线程架构与硬件解码等实战调优技巧,旨在帮助开发者将视频流延迟从秒级优化至毫秒级,满足工业检测、安防监控等高实时性场景需求。

hh234的博客 810

(太长太全面了)CNN超详细介绍

原文链接:https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录1、卷积神经网络的概念2、

qq_43703185的博客 3万+

XCP_Basic 移植步骤

XCP_Basic 移植步骤

ggzzc的博客 2320

VSCode 降低适用版本并且关闭自动更新

官方表示,提高了远程服务器构建工具链的最低要求,更新了对 glibc 的要求,需要最低2.28版本。最快的方法是把vs code的版本降到1.85(为什么是这个版本呢?打开VS Code的官方网站(https://code.visualstudio.com/)通过查看可以知道,具体的版本没有直接显示分类,他是根据发布日期来分类的同时和版本匹配。在网站的顶部导航栏中找到”Updates”按钮,点击进入下载页面。找了半天一直没发现,原来就在紧挨着的下面。远程主机不满足运行vs code服务器的先决条件。

Sunflower的博客 9590

一文了解什么是——卷积神经网络CNN

为什么还有人不会CNN啊?写这么详细你还不看呐QWQ

WenJGo的博客 1万+

26版SPSS操作教程(高级教程第十章)

#大道之行,在于坚持 #本期内容:二分类Logistic回归模型 #由于导师最近布置了学习SPSS这款软件的任务,因此想来平台和大家一起交流下学习经验,这期推送内容接上一次高级教程第九章的学习笔记,希望能得到一些指正和帮助~

你好! 1600

卷积神经网络(CNN)

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。

顺其自然~专栏 5万+

2024年11月架构设计师案例分析真题回顾,附参考答案、解析及所涉知识点(二)

软考高级系统架构设计师考试包含三个科目:信息系统综合知识、案例分析和系统架构设计论文。考试形式为机考。本文主要回顾2024年下半年(2024-11-10)系统架构设计师考试上午第二科案例分析的题目,同时附带参考解答、解析和所涉知识点。

一几文的编程学习笔记。 1665

桌面运维工程师面试题汇总(高频完整版)

岗位,覆盖:电脑硬件、系统安装与故障、网络、办公软件、安全、AD域、打印机、日常排错、服务意识。

老韩的Linux云计算架构师进阶之路 944

卷积神经网络总结

卷积神经网络模型结构 1. CNN的基本结构 图中是一个图像识别的CNN模型,最左边船的图像是输入层,计算机理解为输入若干个矩阵。接着是卷积层(Convolution Layer),卷积层的激活函数使用的是ReLU(x)=max(0,x)。在卷积层后面是池化层(Pooling layer),注意:池化层没有激活函数。 根据模型的需要卷积层+池化层的组合(或者卷积层+卷积层+池化层的组合)...

Yasin的博客 4428

【Simulink教程案例7】基于Simulink的滑模控制器设计与实现

欢迎订阅滑膜控制是一种变结构控制策略,其和常规控制方法的主要区别在于控制的不连续性,即一种使系统结构随时间变化的开关特性。所以,滑膜控制器也叫做变结构控制器,其本质是一类特殊的非线性控制器,并且这种非线性为不连续性。滑膜控制器和其他控制方式最大的区别在于其结构的不固定性,在其工作过程中,系统当前的状态会发生变化,使得系统按照预先设置的“滑动模态”的状态轨迹运动。正是由于这个特点,滑膜控制器具有快速响应的优点。滑模控制的基本定义如下所示:1).穿越切换面上的某个点;2).从切换面上的某个点离开;

FPGA/MATLAB学习教程/源码/项目合作开发 3244

深度学习基础入门篇(1)一 卷积神经网络CNN(Convolutional Neural Networks)

@深度学习基础入门篇(1)一 卷积神经网络CNN(Convolutional Neural Networks) 结构:输入层、卷积层、池化层、全连接层、输出层 卷积神经网络结构如下图所示: 通道和特征图详解 一、CNN–Convolution 如上图所示,左图为6 X 6 feature map(特征图),右图为若干个3 X 3 Filter(卷积核) 卷积过程如下: 当步长为1时,Filter...

Fengfeng__y的博客 770

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Convolutional neural networks(CNN) (一) 入门参考

笔者对 Convolutional neural networks(CNN) 卷积神经网络入门学习资料使用汇总: { 可以按照本文顺序进行了解,亦可以根据个人之前的掌握,灵活调整 。笔者也尚在学习,还望不吝赐教。} 1. 力推 Metacademy,不仅是CNN,机器学习相关内容都可以得到清晰的学习规划及相应资料的出处。 2. 对于可能会用到的矩阵相关知识,推荐 The

ColdCode's Hello World~ 2255

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

手把手教你用PyTorch实现一个简单的卷积神经网络从零到一入门CNN实战

在本教程中,我们将手把手教你使用PyTorch框架从零开始构建一个简单的卷积神经网络(Convolutional Neural Network, CNN),并用它来对经典的CIFAR-10数据集进行图像分类。通过这个实战项目,你将了解CNN的基本构件和PyTorch的核心操作。现在,我们来定义CNN模型结构。我们将构建一个包含两个卷积层和三个全连接层的简单网络。每个卷积层后接一个ReLU激活函数和最大池化层。

qq729152485的博客 856

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

面向新手的CNN入门指南(一)

https://zhuanlan.zhihu.com/p/37146355 作者:Adit Deshpande编译:Bot编者按:最近小编在搜集CNN卷积计算方面的资料,希望能出一份清晰明了的图文列表,但即便是在CNN介绍已经泛滥的今天,一篇好的、简单易懂的博客文章都是那么稀缺。今天,小编就先编译加州大学洛杉矶分校学生Adit Deshpande的几篇入门文章,希望能给新手读者带来帮助。简介单从字面上看,卷积神经网络这个词听起来就像是生物学和数学的诡异组合,里面可能还掺了一点计算机科学的意味,但这种神经网络

爱她就要努力 1212

CNN入门笔记(一)

本文介绍了卷积神经网络(CNN)的基础知识,重点讲解了全连接神经网络和CNN的结构与计算过程。全连接神经网络通过寻找最优的权重(W)和偏置(b)来优化结果,而CNN则通过卷积运算处理图像数据,保留了图像的空间信息。文章还详细解释了激活函数、损失函数、梯度下降法以及卷积层、池化层的计算方式。此外,介绍了多通道卷积计算和CNN的整体结构,并简要提及了LeNet-5和AlexNet的网络结构。最后,提供了环境安装的相关信息。

m0_62579169的博客 868

CNN入门学习(一)

CNN入门

zqhwando的博客 378

卷积神经网络重新入门(一)

最近在研究人脸识别,随便看了点opencv就开始搞代码,网上也有很多大牛研究的代码,十几行到几十甚至几百行不等,简单实现人脸识别也不难。但实现效果往往不佳且不稳定。然后就想着把卷积神经网络也加进去一起训练,发现网上也有许多大牛做了相关的内容,把别人的代码粘过来跑一跑,结果报各种错误,各种问题,看了看代码,发现自己好像跟完全没接触过卷积神经网络一样,好吧,自己之前也确实是只接触了几天,然后就渐渐被我全部遗忘了。报的各种错误自己也解决不了,网上解决方法也比较多,说的最多的就是各种版本冲突问题,各种更新conda

weixin_42213622的博客 586

Pytorch入门一:卷积神经网络实现MNIST手写数字识别

1. pytorch介绍 Pytorch是Torch7团队开发的,与Torch的不同之处在于Pytorch使用了Python作为开发语言,同样说明它是一个以Python优先的深度学习框架,它不仅能够实现强大的GPU加速,同时还支持动态神经网络,这是TensorFlow等很多主流框架不支持的。而且Pytorch可以轻松扩展,近两年有赶超TensorFlow的势头 Pytorch中有两种变量类型,...

GuDoerr的博客 1万+

卷积神经网络(一)基础入门

CNN是一种深度学习模型,专门用于处理具有类似网格结构的数据(如图像、语音信号)。通过卷积运算提取局部特征,有效捕捉空间和局部关联性。相较于传统神经网络,CNN在图像识别、目标检测、语义分割等任务中表现优异。池化层用于降低空间尺寸,减少计算量和过拟合。常见的池化方式:最大池化(Max Pooling)平均池化(Average Pooling)通过滑动窗口,对区域内数值进行最大值或平均值操作,降低分辨率。

wangjinjin180的博客 530

政安晨:【深度学习处理实践】(一)—— 卷积神经网络入门

深度学习的卷积神经网络(Convolutional Neural Network,简称CNN)是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的深度学习模型。 CNN的主要特点是它能够自动从原始数据中学习特征表示,而无需手动特征工程。这是通过使用卷积层、池化层和全连接层来实现的。 卷积层是CNN的核心,它使用一系列可学习的滤波器(也称为卷积核)来对输入数据进行卷积运算。这种卷积运算可以捕捉到数据中的局部空间关系,从而提取出不同的特征,例如边缘、纹理和形状。

政安晨——致力于AI人工智能数字互动领域 1567

入门篇:卷积神经网络指南(一)

更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 卷积神经网络听起来像一个奇怪的生物学和数学的组合,但它是计算机视觉领域最具影响力的创新之一。2012年是卷积神经网络最流行的一年,因为Alex Krizhevsky用它赢得当年的ImageNet竞争(基本上算得上是计算机视觉的年度奥运),它将分类错误记录从26%降至...

weixin_33816946的博客 182

卷积神经网络的python实现_深度学习入门教程:手把手带你用Numpy实现卷积神经网络(一)...

前言Numpy是一个非常好用的python科学计算的库,CNN是现在视觉领域深度学习的基础之一。虽然好的框架很多,不过自己用Numpy实现一个可以使用的CNN的模型有利于初学者加深对CNN的理解。后面我们将通过一系列文章介绍如何用Numpy从零实现一个可以训练的CNN简易网络,同时对深度学习(CNN)的相关基础知识进行一些复习,也希望能够给正在入门的同学一些简单的归纳。在这一系列的文章中,我们主要...

weixin_39965673的博客 704

关于FineTune——CNN入门讲解:什么是微调(Fine Tune)?

转载至CNN入门讲解:什么是微调(Fine Tune)? - 知乎 (zhihu.com)

fyfffyyff的博客 506
上一篇: 【RISC-V Debug】学习笔记(三)借助 ILA 在线查看调试信号
下一篇: 【PyTorch】深度学习入门笔记(十三)搭建小实战和Sequential的使用
雪天鱼
雪天鱼 新星创作者: 人工智能技术领域 新星创作者: 人工智能技术领域
博客等级 码龄8年 7641粉丝 101原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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