没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
卷积神经网络
卷积计算(
找到特征,
去掉无关
值,浓缩简
化)
卷积
卷积核(从原图中拆分出来的特征)
查看被识别图像有无对应的卷积核来确认是否为
目标物体
特征图(用卷积核扫描目标图得到)
Rectified Linear
Units (ReLUs)修正线性
单元激活函数
把小于0的数字化成0,大于0的数不变
优点:因为负数表示该处没有明显特征,是可以
忽略的数据,化为0后简便了卷积运算。
池化(pooling)
方法
最大池化(用得较多) 在边缘补0来提取边缘特征
平均池化
优点:在保留原图特征的情况下,减小运算量,
浓缩简化
全连接
构建全连接
把上述得到的最简单的特征图们展开得到一列特
征数据
特征数据与之后的神经元构成全连接,经过许多
连接层后,输出是否为识别目标的概率数
之后每一层的每个神经元激活值的算法(前一层
加权和,偏置,sigmoid挤压函数)
用反向传播算法微调权重和偏置,是损失函数尽
可能最小
损失函数的定义
神经网络得出的结果与真实的结果做比较,得到
一个数值形式的误差,函数上某个点的自变量是
一组权重和偏置,函数值就是将所有训练样本针
对这一组权重和偏置的误差取平均值
函数最低点的意义:找到一组权重和偏置,使其
在识别所有样本时总体上达到最好的效果。
反向传播算法
对损失函数采用梯度下降法,从后往前将误差反
馈到上一层,一层一层的微调权重与偏置
梯度下降法
函数上任意取一个点,对应着随机初始化的权重
和偏置值,这时可以求该点的负梯度,显然梯度
的负方向就是函数值下降最快的方向,设置合适
的步长,即可使函数值逼近某个局部最小值。
鸽于途
- 粉丝: 1
- 资源: 1
上传资源 快速赚钱
- 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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0