第五次报告1
需积分: 0 151 浏览量
2022-08-08
19:48:42
上传
评论
收藏 492KB DOCX 举报
卷积神经网络
本周工作重点：主要初学习 CNN
看了一位大神的博客，他是这么总结的：
第一点，在学习 Deep learning 和 CNN 之前，总以为它们是很了不得的知识，总以为它们能
解决很多问题，学习了之后，才知道它们不过与其他机器学习算法如 svm 等相似，仍然可
以把它当做一个分类器，仍然可以像使用一个黑盒子那样使用它。
第二点，Deep Learning 强大的地方就是可以利用网络中间某一层的输出当做是数据的另一
种表达，从而可以将其认为是经过网络学习到的特征。基于该特征，可以进行进一步的相似
度比较等。
第三点，Deep Learning 算法能够有效的关键其实是大规模的数据，这一点原因在于每个 DL
都有众多的参数，少量数据无法将参数训练充分。
在图像处理中，由于图像的表示往往是用图像向量做的，若隐藏层的数目和输入一样，那么
用神经网络就会出现要处理的参数过多，那么就会大大拖慢运算速度。所以这时就要用卷积
神经网络来加快速度。
卷积神经网络：
主要有三个基本概念：局部感受野（local receptive fields），共享权重（shared weights），
池化亦成为混合（pooling）。
局部感受野：
基于认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素联系较弱。因此神
经元没必要进行全局的感知，只需对局部进行感知即可，然后在更高层将局部的信息进行综
合就形成了全局的信息。
全局感知和局部感知如下图：
普通网友
- 粉丝: 17
- 资源: 314
评论0