卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成與解釋
來源：機(jī)器學(xué)習(xí)算法那些事
卷積神經(jīng)網(wǎng)絡(luò)是以卷積層為主的深度網(wǎng)路結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)包括有卷積層、激活層、BN層、池化層、FC層、損失層等。卷積操作是對圖像和濾波矩陣做內(nèi)積（元素相乘再求和）的操作。
補(bǔ)充：
升維：通道數(shù)改變?yōu)閗ernel的數(shù)量（即為filters），運算本質(zhì)可以看為全連接。
卷積計算在深度神經(jīng)網(wǎng)絡(luò)中的量是極大的，壓縮卷積計算量的主要方法如下：
ReLU函數(shù)
Leakly ReLU函數(shù)
3. BN層(BatchNorm)介紹：通過一定的規(guī)范化手段，把每層神經(jīng)網(wǎng)絡(luò)任意神經(jīng)元的輸入值的分布強(qiáng)行拉回到均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布。BatchNorm是歸一化的一種手段，會減小圖像之間的絕對差異，突出相對差異，加快訓(xùn)練速度。但不適用于image-to-image以及對噪聲明感的任務(wù)中。常用函數(shù)：BatchNorm2dpytorch用法：nn.BatchNorm2d(num_features, eps, momentum, affine)num_features：一般輸入?yún)?shù)為batch_sizenum_featuresheight*width，即為其中特征的數(shù)量。eps：分母中添加的一個值，目的是為了計算的穩(wěn)定性，默認(rèn)為：1e-5。momentum：一個用于運行過程中均值和方差的一個估計參數(shù)（我的理解是一個穩(wěn)定系數(shù)，類似于SGD中的momentum的系數(shù)）。
4. 池化層（pooling）介紹：pooling一方面使特征圖變小，簡化網(wǎng)絡(luò)計算復(fù)雜度。一方面通過多次池化壓縮特征，提取主要特征。屬于下采樣過程。常用函數(shù)：Max Pooling(最大池化)、Average Pooling(平均池化)等。MaxPooling 與 AvgPooling用法：1. 當(dāng)需綜合特征圖上的所有信息做相應(yīng)決策時，通常使用AvgPooling，例如在圖像分割領(lǐng)域中用Global AvgPooling來獲取全局上下文信息；在圖像分類中在最后幾層中會使用AvgPooling。2. 在圖像分割/目標(biāo)檢測/圖像分類前面幾層，由于圖像包含較多的噪聲和目標(biāo)處理無關(guān)的信息，因此在前幾層會使用MaxPooling去除無效信息。
5. FC層（全連接層）介紹：連接所有的特征，將輸出值送給分類器。主要是對前層的特征進(jìn)行一個加權(quán)和（卷積層是將數(shù)據(jù)輸入映射到隱層特征空間），將特征空間通過線性變換映射到樣本標(biāo)記空間（label）。全連接層可以通過1 x 1卷機(jī)+global average pooling代替?？梢酝ㄟ^全連接層參數(shù)冗余，全連接層參數(shù)和尺寸相關(guān)。常用函數(shù)：nn.Linear(in_features, out_features, bias)
補(bǔ)充：分類器包括線性分類器與非線性分類器。
6. 損失層介紹：設(shè)置一個損失函數(shù)用來比較網(wǎng)絡(luò)的輸出和目標(biāo)值，通過最小化損失來驅(qū)動網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)的損失通過前向操作計算，網(wǎng)絡(luò)參數(shù)相對于損失函數(shù)的梯度則通過反向操作計算。
7. Dropout層
8. 優(yōu)化器介紹：為了更高效的優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)（損失函數(shù)最?。?，即是網(wǎng)絡(luò)的優(yōu)化策略，主要方法如下：
常用優(yōu)化器為Adam，用法為：torch.optim.Adam。???????
9. 學(xué)習(xí)率?介紹：學(xué)習(xí)率作為監(jiān)督學(xué)習(xí)以及深度學(xué)習(xí)中重要的超參，其決定著目標(biāo)函數(shù)能否收斂到局部最小值以及合適收斂到最小值。合適的學(xué)習(xí)率能夠使目標(biāo)函數(shù)在合適的時間內(nèi)收斂到局部最小值。????
參考資料鏈接：??https://www.bilibili.com/video/BV1we4y1X7vy/?spm_id_from=333.880.my_history.page.click&vd_source=8332e741acbb75b438e9c1c91efed022
卷積神經(jīng)網(wǎng)絡(luò)是以卷積層為主的深度網(wǎng)路結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)包括有卷積層、激活層、BN層、池化層、FC層、損失層等。卷積操作是對圖像和濾波矩陣做內(nèi)積（元素相乘再求和）的操作。
1. 卷積層
常見的卷積操作如下：| 卷積操作 | 解釋 | 圖解 |
| 標(biāo)準(zhǔn)卷積 | 一般采用3x3、5x5、7x7的卷積核進(jìn)行卷積操作。??????? |
|
| 分組卷積 | 將輸入特征圖按通道均分為 x 組，然后對每一組進(jìn)行常規(guī)卷積，最后再進(jìn)行合并。 |
|
| 空洞卷積 | 為擴(kuò)大感受野，在卷積核里面的元素之間插入空格來“膨脹”內(nèi)核，形成“空洞卷積”（或稱膨脹卷積），并用膨脹率參數(shù)L表示要擴(kuò)大內(nèi)核的范圍，即在內(nèi)核元素之間插入L-1個空格。當(dāng)L=1時，則內(nèi)核元素之間沒有插入空格，變?yōu)闃?biāo)準(zhǔn)卷積。 |
|
| 深度可分離卷積 | 深度可分離卷積包括為逐通道卷積和逐點卷積兩個過程。???? |
（通道卷積，2D標(biāo)準(zhǔn)卷積）
|
| 反卷積 | 屬于上采樣過程，“反卷積”是將卷積核轉(zhuǎn)換為稀疏矩陣后進(jìn)行轉(zhuǎn)置計算。 |
|
| 可變形卷積 | 指標(biāo)準(zhǔn)卷積操作中采樣位置增加了一個偏移量offset，如此卷積核在訓(xùn)練過程中能擴(kuò)展到很大的范圍。 |
|
1 x 1卷積即用1 x 1的卷積核進(jìn)行卷積操作，其作用在于升維與降維。升維操作常用于chennel為1（即是通道數(shù)為1）的情況下，降維操作常用于chennel為n（即是通道數(shù)為n）的情況下。??????????????
降維：通道數(shù)不變，數(shù)值改變。
升維：通道數(shù)改變?yōu)閗ernel的數(shù)量（即為filters），運算本質(zhì)可以看為全連接。卷積計算在深度神經(jīng)網(wǎng)絡(luò)中的量是極大的，壓縮卷積計算量的主要方法如下：| 序號 | 方法 |
| 1 | 采用多個3x3卷積核代替大卷積核（如用兩個3 x 3的卷積核代替5 x 5的卷積核） |
| 2 | 采用深度可分離卷積（分組卷積） |
| 3 | 通道Shuffle |
| 4 | Pooling層 |
| 5 | Stride = 2 |
| 6 | 等等 |
2. 激活層
介紹：為了提升網(wǎng)絡(luò)的非線性能力，以提高網(wǎng)絡(luò)的表達(dá)能力。每個卷積層后都會跟一個激活層。激活函數(shù)主要分為飽和激活函數(shù)（sigmoid、tanh）與非飽和激活函數(shù)（ReLU、Leakly ReLU、ELU、PReLU、RReLU）。非飽和激活函數(shù)能夠解決梯度消失的問題，能夠加快收斂速度。??????????????常用函數(shù)：ReLU函數(shù)、Leakly ReLU函數(shù)、ELU函數(shù)等ReLU函數(shù)Leakly ReLU函數(shù)
ELU函數(shù)
3. BN層(BatchNorm)介紹：通過一定的規(guī)范化手段，把每層神經(jīng)網(wǎng)絡(luò)任意神經(jīng)元的輸入值的分布強(qiáng)行拉回到均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布。BatchNorm是歸一化的一種手段，會減小圖像之間的絕對差異，突出相對差異，加快訓(xùn)練速度。但不適用于image-to-image以及對噪聲明感的任務(wù)中。常用函數(shù)：BatchNorm2dpytorch用法：nn.BatchNorm2d(num_features, eps, momentum, affine)num_features：一般輸入?yún)?shù)為batch_sizenum_featuresheight*width，即為其中特征的數(shù)量。eps：分母中添加的一個值，目的是為了計算的穩(wěn)定性，默認(rèn)為：1e-5。momentum：一個用于運行過程中均值和方差的一個估計參數(shù)（我的理解是一個穩(wěn)定系數(shù)，類似于SGD中的momentum的系數(shù)）。
affine：當(dāng)設(shè)為true時，會給定可以學(xué)習(xí)的系數(shù)矩陣gamma和beta。
4. 池化層（pooling）介紹：pooling一方面使特征圖變小，簡化網(wǎng)絡(luò)計算復(fù)雜度。一方面通過多次池化壓縮特征，提取主要特征。屬于下采樣過程。常用函數(shù)：Max Pooling(最大池化)、Average Pooling(平均池化)等。MaxPooling 與 AvgPooling用法：1. 當(dāng)需綜合特征圖上的所有信息做相應(yīng)決策時，通常使用AvgPooling，例如在圖像分割領(lǐng)域中用Global AvgPooling來獲取全局上下文信息；在圖像分類中在最后幾層中會使用AvgPooling。2. 在圖像分割/目標(biāo)檢測/圖像分類前面幾層，由于圖像包含較多的噪聲和目標(biāo)處理無關(guān)的信息，因此在前幾層會使用MaxPooling去除無效信息。
補(bǔ)充：上采樣層重置圖像大小為上采樣過程，如Resize，雙線性插值直接縮放，類似于圖像縮放，概念可見最鄰近插值算法和雙線性插值算法。實現(xiàn)函數(shù)有nn.functional.interpolate(input, size = None, scale_factor = None, mode = 'nearest', align_corners = None)和nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride = 1, padding = 0, output_padding = 0, bias = True)
5. FC層（全連接層）介紹：連接所有的特征，將輸出值送給分類器。主要是對前層的特征進(jìn)行一個加權(quán)和（卷積層是將數(shù)據(jù)輸入映射到隱層特征空間），將特征空間通過線性變換映射到樣本標(biāo)記空間（label）。全連接層可以通過1 x 1卷機(jī)+global average pooling代替?？梢酝ㄟ^全連接層參數(shù)冗余，全連接層參數(shù)和尺寸相關(guān)。常用函數(shù)：nn.Linear(in_features, out_features, bias)
補(bǔ)充：分類器包括線性分類器與非線性分類器。| 分類器 | 介紹?? | 常見種類 | 優(yōu)缺點 |
| 線性分類器 | 線性分類器就是用一個“超平面”將正、負(fù)樣本隔離開 | LR、Softmax、貝葉斯分類、單層感知機(jī)、線性回歸、SVM（線性核）等 | 線性分類器速度快、編程方便且便于理解，但是擬合能力低 |
| 非線性分類器 | 非線性分類器就是用一個“超曲面”或者多個超平（曲）面的組合將正、負(fù)樣本隔離開（即，不屬于線性的分類器） | 決策樹、RF、GBDT、多層感知機(jī)、SVM（高斯核）等 | 非線性分類器擬合能力強(qiáng)但是編程實現(xiàn)較復(fù)雜，理解難度大 |
6. 損失層介紹：設(shè)置一個損失函數(shù)用來比較網(wǎng)絡(luò)的輸出和目標(biāo)值，通過最小化損失來驅(qū)動網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)的損失通過前向操作計算，網(wǎng)絡(luò)參數(shù)相對于損失函數(shù)的梯度則通過反向操作計算。
常用函數(shù)：分類問題損失（離散值：分類問題、分割問題）：nn.BCELoss、nn.CrossEntropyLoss等?；貧w問題損失（連續(xù)值：推測問題、回歸分類問題）：nn.L1Loss、nn.MSELoss、nn.SmoothL1Loss等。
7. Dropout層
介紹：在不同的訓(xùn)練過程中隨機(jī)扔掉一部分神經(jīng)元，以防止過擬合，一般用在全連接層。在測試過程中不使用隨機(jī)失活，所有的神經(jīng)元都激活。?????????????????????
常用函數(shù)：nn.dropout8. 優(yōu)化器介紹：為了更高效的優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)（損失函數(shù)最?。?，即是網(wǎng)絡(luò)的優(yōu)化策略，主要方法如下：
| 解釋?? | 優(yōu)化器種類? | 特點 |
| 基于梯度下降原則（均使用梯度下降算法對網(wǎng)絡(luò)權(quán)重進(jìn)行更新，區(qū)別在于使用的樣本數(shù)量不同）?????? | GD(梯度下降); SGD(隨機(jī)梯度下降，面向一個樣本); BGD(批量梯度下降，面向全部樣本); MBGD(小批量梯度下降，面向小批量樣本)????? | 引入隨機(jī)性和噪聲 |
| 基于動量原則（根據(jù)局部歷史梯度對當(dāng)前梯度進(jìn)行平滑） |
Momentum(動量法); NAG(Nesterov Accelerated Gradient) ??? |
加入動量原則，具有加速梯度下降的作用???? |
| 自適應(yīng)學(xué)習(xí)率（對于不同參數(shù)使用不同的自適應(yīng)學(xué)習(xí)率；Adagrad使用梯度平方和、Adadelta和RMSprop使用梯度一階指數(shù)平滑，RMSprop是Adadelta的一種特殊形式、Adam吸收了Momentum和RMSprop的優(yōu)點改進(jìn)了梯度計算方式和學(xué)習(xí)率）??? | Adagrad; Adadelta; RMSprop; Adam????? | 自適應(yīng)學(xué)習(xí) |
補(bǔ)充：卷積神經(jīng)網(wǎng)絡(luò)正則化是為減小方差，減輕過擬合的策略，方法有：L1正則(參數(shù)絕對值的和); L2正則(參數(shù)的平方和，weight_decay：權(quán)重衰退)。
9. 學(xué)習(xí)率?介紹：學(xué)習(xí)率作為監(jiān)督學(xué)習(xí)以及深度學(xué)習(xí)中重要的超參，其決定著目標(biāo)函數(shù)能否收斂到局部最小值以及合適收斂到最小值。合適的學(xué)習(xí)率能夠使目標(biāo)函數(shù)在合適的時間內(nèi)收斂到局部最小值。????
常用函數(shù)：torch.optim.lr_scheduler; ExponentialLR; ReduceLROnplateau; CyclicLR等。???????
卷積神經(jīng)網(wǎng)絡(luò)的常見結(jié)構(gòu)
常見結(jié)構(gòu)有：跳連結(jié)構(gòu)（ResNet）、并行結(jié)構(gòu)（Inception V1-V4即GoogLeNet）、輕量型結(jié)構(gòu)（MobileNetV1）、多分支結(jié)構(gòu)（SiameseNet; TripletNet; QuadrupletNet; 多任務(wù)網(wǎng)絡(luò)等）、Attention結(jié)構(gòu)（ResNet+Attention）
| 結(jié)構(gòu)???????????? | 介紹與特點 | 圖示 |
| 跳連結(jié)構(gòu)（代表：ResNet） | 2015年何愷明團(tuán)隊提出。引入跳連的結(jié)構(gòu)來防止梯度消失問題，今兒可以進(jìn)一步加大網(wǎng)絡(luò)深度。擴(kuò)展結(jié)構(gòu)有：ResNeXt、DenseNet、WideResNet、ResNet In ResNet、Inception-ResNet等??????????????? |
|
| 并行結(jié)構(gòu)（代表：Inception V1-V4） | 2014年Google團(tuán)隊提出。不僅強(qiáng)調(diào)網(wǎng)絡(luò)的深度，還考慮網(wǎng)絡(luò)的寬度。其使用1×1的卷積來進(jìn)行升降維，在多個尺寸上同時進(jìn)行卷積再聚合。其次利用稀疏矩陣分解成密集矩陣計算的原理加快收斂速度。?? |
|
| 輕量型結(jié)構(gòu)（代表：MobileNetV1） | 2017年Google團(tuán)隊提出。為了設(shè)計能夠用于移動端的網(wǎng)絡(luò)結(jié)構(gòu)，使用Depth-wise Separable Convolution的卷積方式代替?zhèn)鹘y(tǒng)卷積方式，以達(dá)到減少網(wǎng)絡(luò)權(quán)值參數(shù)的目的。擴(kuò)展結(jié)構(gòu)有：MobileNetV2、MobileNetV3、SqueezeNet、ShuffleNet V1、ShuffleNet V2等???????? |
|
| 多分支結(jié)構(gòu)（代表：TripletNet）? | 基于多個特征提取方法提出，通過比較距離來學(xué)習(xí)有用的變量。該網(wǎng)絡(luò)由3個具有相同前饋網(wǎng)絡(luò)（共享參數(shù)）組成的，需要輸入是3個樣本，一個正樣本和兩個負(fù)樣本，或者一個負(fù)樣本和兩個正樣本。訓(xùn)練的目標(biāo)是讓相同類別之間的距離竟可能的小，讓不同的類別之間距離竟可能的大。常用于人臉識別。 |
|
| Attention結(jié)構(gòu)（代表：ResNet+Attention） | 對于全局信息，注意力機(jī)制會重點關(guān)注一些特殊的目標(biāo)區(qū)域，也就是注意力焦點，進(jìn)而利用有限的注意力資源對信息進(jìn)行篩選，提高信息處理的準(zhǔn)確性和效率。注意力機(jī)制有Soft-Attention和Hard-Attention區(qū)分，可以作用在特征圖上、尺度空間上、channel尺度上和不同時刻歷史特征上等。?????????????? |
|
END
歡迎加入Imagination GPU與人工智能交流2群
（添加請備注公司名和職稱）
推薦閱讀 對話Imagination中國區(qū)董事長：以GPU為支點加強(qiáng)軟硬件協(xié)同，助力數(shù)字化轉(zhuǎn)型Imagination Technologies是一家總部位于英國的公司，致力于研發(fā)芯片和軟件知識產(chǎn)權(quán)（IP），基于Imagination IP的產(chǎn)品已在全球數(shù)十億人的電話、汽車、家庭和工作 場所中使用。獲取更多物聯(lián)網(wǎng)、智能穿戴、通信、汽車電子、圖形圖像開發(fā)等前沿技術(shù)信息，歡迎關(guān)注 Imagination Tech！
原文標(biāo)題：卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成與解釋
文章出處：【微信公眾號：Imagination Tech】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
imagination
+關(guān)注
關(guān)注
1文章
562瀏覽量
61121
原文標(biāo)題：卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成與解釋
文章出處：【微信號：Imgtec，微信公眾號：Imagination Tech】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
全卷積神經(jīng)網(wǎng)絡(luò)的工作原理和應(yīng)用
全卷積神經(jīng)網(wǎng)絡(luò)（FCN）是深度學(xué)習(xí)領(lǐng)域中的一種特殊類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，尤其在計算機(jī)視覺領(lǐng)域表現(xiàn)出色。它通過全局平均池化或轉(zhuǎn)置卷積處理任意尺寸的輸入，特別適用于像素級別的任務(wù)，如圖像分割
循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別
循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是深度學(xué)習(xí)領(lǐng)域中兩種非常重要的神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的區(qū)別
的網(wǎng)絡(luò)結(jié)構(gòu)，分別適用于不同的應(yīng)用場景。本文將從基本概念、結(jié)構(gòu)組成、工作原理及應(yīng)用領(lǐng)域等方面對這兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行深入解讀。
卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)原理
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的
bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么
結(jié)構(gòu)、原理、應(yīng)用場景等方面都存在一定的差異。以下是對這兩種神經(jīng)網(wǎng)絡(luò)的比較： 基本結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱藏層和
卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和工作原理
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的
卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù)的作用
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNNs）是深度學(xué)習(xí)中一種重要的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，廣泛應(yīng)用于圖像識別、語音識別、自然語言處理等領(lǐng)域。在卷積
卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的是什么
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的
卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和訓(xùn)練過程
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種在圖像識別、視頻處理、自然語言處理等多個領(lǐng)域廣泛應(yīng)用的深度學(xué)習(xí)算法。其獨特的網(wǎng)絡(luò)結(jié)構(gòu)和算法設(shè)計，使得CNN在
卷積神經(jīng)網(wǎng)絡(luò)的原理與實現(xiàn)
1.卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。 卷積神經(jīng)網(wǎng)絡(luò)是一種前饋
卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其功能
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的基
卷積神經(jīng)網(wǎng)絡(luò)的原理是什么
基本概念、結(jié)構(gòu)、訓(xùn)練過程以及應(yīng)用場景。 卷積神經(jīng)網(wǎng)絡(luò)的基本概念 1.1 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)是一種受人腦神
卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）和BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Networks，簡稱BPNN）是兩種
卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
廣泛應(yīng)用于圖像識別、自然語言處理、語音識別等領(lǐng)域。本文將詳細(xì)闡述卷積神經(jīng)網(wǎng)絡(luò)的概念、基本結(jié)構(gòu)及其在各領(lǐng)域的應(yīng)用。
卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點
傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點。 1. 局部連接和權(quán)值共享：卷積神經(jīng)網(wǎng)絡(luò)通過設(shè)置局部連接和權(quán)值共享的
工商網(wǎng)監(jiān)
評論