卷积神经网络(CNN)笔记 CNN笔记:通俗理解卷积神经网络 卷积神经网络(CNN)是一种深度学习算法,能够模拟人脑对图像的识别和处理能力。下面是对CNN的通俗理解笔记: 神经元 神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后,最开始只是简单的线性加权,后来给每个神经元加上了非线性的激活函数,从而进行非线性变换后输出。每两个神经元之间的连接代表加权值,称之为权重(weight)。不同的权重和激活函数,则会导致神经网络不同的输出。 神经元的基本形式为: wx + b 其中,w为权重,x为输入向量,b为偏置项,g(z)为激活函数,a为输出。 激活函数 激活函数是神经元中非常重要的一部分。常用的非线性激活函数有sigmoid、tanh、relu等等。sigmoid函数的函数表达式如下: g(z) = 1 / (1 + e^-z) 其中,z是一个线性组合。通过代入很大的正数或很小的负数到g(z)函数中可知,其结果趋近于0或1。 因此,sigmoid函数的功能是相当于把一个实数压缩至0到1之间。当z是非常大的正数时,g(z)会趋近于1,而z是非常小的负数时,则g(z)会趋近于0。 压缩至0到1有何用处呢?用处是这样一来便可以把激活函数看作一种“分类的概率”,比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。 神经网络 将多个神经元组织在一起,便形成了神经网络。下图便是一个三层神经网络结构: 上图中最左边的原始输入信息称之为输入层,最右边的神经元称之为输出层(上图中输出层只有一个神经元),中间的叫隐藏层。 啥叫输入层、输出层、隐藏层呢? 输入层(Input layer),众多神经元组成的层,负责接收外部输入信息。 隐藏层(Hidden layer),在输入层和输出层之间的中间层,负责进行特征提取和信息处理。 输出层(Output layer),最右边的神经元,负责输出最终的结果。 卷积神经网络(CNN) 卷积神经网络(CNN)是一种特殊的神经网络,主要用于图像识别和处理。CNN的结构与普通神经网络类似,但在隐藏层中添加了卷积层和池化层,以便更好地处理图像信息。 卷积层(Convolutional layer),负责提取图像中的特征,如边缘、线条、形状等。 池化层(Pooling layer),负责对图像进行下采样,减少图像的尺寸和大小。 卷积神经网络(CNN)在图像识别和处理方面具有很高的准确性和效率,广泛应用于计算机视觉、机器人、自动驾驶等领域。 本篇笔记只是对卷积神经网络的简单介绍,更多关于CNN的原理和应用将在后续文章中继续介绍。
剩余23页未读,继续阅读
- 粉丝: 17
- 资源: 1
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 机械手自动排列控制PLC与触摸屏程序设计
- uDDS源程序publisher
- 中国风格, 节日 主题, PPT模板
- 生菜生长记录数据集.zip
- 微环谐振腔的光学频率梳matlab仿真 微腔光频梳仿真 包括求解LLE方程(Lugiato-Lefever equation)实现微环中的光频梳,同时考虑了色散,克尔非线性,外部泵浦等因素,具有可延展
- 企业宣传PPT模板, 企业宣传PPT模板
- jetbra插件工具,方便开发者快速开发
- agv 1223.fbx
- 全国职业院校技能大赛网络建设与运维规程
- 混合动力汽车动态规划算法理论油耗计算与视频教学,使用matlab编写快速计算程序,整个工程结构模块化,可以快速改为串联,并联,混联等 控制量可以快速扩展为档位,转矩,转速等 状态量一般为SOC,目