- 1、本文档共26页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·可编辑借鉴 精品PPT·收集整理 Convolutional Neural Networks 卷积神经网络 * 精品PPT·可编辑借鉴 主要内容 卷积神经网络—诞生背景与历程 卷积神经网络应用—LeNet-5手写数字识别 深度学习—Hinton做了些什么 深度学习在数字图像识别上的运用 —Hinton如何在2012年ImageNet引起轰动 * 精品PPT·可编辑借鉴 卷积神经网络提出的背景 浅层神经网络 大约二三十年前,神经网络曾经是机器学习领域特别热门的一个方向,这种基于统计的机器学习方法比起过去基于人工规则的专家系统,在很多方面显示出优越性。 * 精品PPT·可编辑借鉴 卷积神经网络提出的背景 但是后来,因为理论分析的难度,加上训练方法需要很多经验和技巧,以及巨大的计算量和优化求解难度,神经网络慢慢淡出了科研领域的主流方向。 值得指出的是,神经网络(如采用误差反向传播算法:Back Propagation,简称BP算法,通过梯度下降方法在训练过程中修正权重使得网络误差最小)在层次深的情况下性能变得很不理想(传播时容易出现所谓的梯度弥散Gradient Diffusion或称之为梯度消失,根源在于非凸目标代价函数导致求解陷入局部最优,且这种情况随着网络层数的增加而更加严重,即随着梯度的逐层不断消散导致其对网络权重调整的作用越来越小),所以只能转而处理浅层结构(小于等于3),从而限制了性能。 * 精品PPT·可编辑借鉴 浅层神经网络的缺陷 于是,20世纪90年代,有更多各式各样的浅层模型相继被提出,比如只有一层隐层节点的支撑向量机(SVM,Support Vector Machine)和Boosting,以及没有隐层节点的最大熵方法(例如LR,Logistic Regression)等,在很多应用领域取代了传统的神经网络。 显然,这些浅层结构算法有很多局限性:在有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定的制约。更重要的是,浅层模型有一个特点,就是需要依靠人工来抽取样本的特征。然而,手工地选取特征是一件非常费力的事情,能不能选取好很大程度上靠经验和运气。 能不能自动地学习一些特征呢? * 精品PPT·可编辑借鉴 卷积神经网络 早在1989年,Yann LeCun (现纽约大学教授) 和他的同事们就发表了卷积神经网络(Convolution Neural Networks, 简称CNN)的工作。 CNN是一种带有卷积结构的深度神经网络,通常至少有两个非线性可训练的卷积层,两个非线性的固定卷积层(又叫Pooling Layer)和一个全连接层,一共至少5个隐含层。 CNN的结构受到著名的Hubel-Wiesel生物视觉模型的启发,尤其是模拟视觉皮层V1和V2层中Simple Cell和Complex Cell的行为。 * 精品PPT·可编辑借鉴 * 精品PPT·可编辑借鉴 卷积神经网络应用 LeNet-5手写数字识别 三大特点: 1、局部感受野 2、权值共享 3、次采样(pooling) * 精品PPT·可编辑借鉴 重点概念 卷积核(卷积滤波器) 特征图(Feature Map) C层是一个卷积层: 通过卷积运算,可以使原信号特征增强,并且降低噪音 S层是一个下采样层: 利用图像局部相关性的原理,对图像进行子抽样,可以减少数据处理量同时保留有用信息 F6层是经典神经网络: 输入向量和权重向量之间的点积,再加上一个偏置。然后将其传递给sigmoid函数产生单元i的一个状态。 * 精品PPT·可编辑借鉴 C1层: 输入图片大小: 32*32 卷积窗大小: 5*5 卷积窗种类: 6 输出特征图数量: 6 输出特征图大小: 28*28 (32-5+1) 神经元数量: 4707 [(28*28)*6)] 连接数: 12304 [(5*5+1)*6]*(28*28) 可训练参数: 156 [(5*5+1)*6] * 精品PPT·可编辑借鉴 S2层: 输入图片大小: (28*28)*6 卷积窗大小: 2*2 卷积窗种类: 6 输出下采样图数量:6 输出下采样图大小:(14*14)*6 神经元数量: 1176 (1
您可能关注的文档
- 免疫学检测中的曲线拟合[参照].ppt
- 免疫学实验二 ELISA(双抗夹心法)1[借鉴].ppt
- 免疫抑制肺炎[汇编].ppt
- 免疫抑制剂他克莫司[参照].ppt
- 免疫荧光技术[推荐].ppt
- 免疫治疗 checkmate 032[参考].ppt
- 免疫组化 HE染色 FISH ISH[借鉴].ppt
- 免疫组化技术[实用].ppt
- 缅甸自然资源概况[学习].ppt
- 面 部 美 学 设计[参照].ppt
- 分析let s单元56ago2卷纸zheng unit56.pdf
- 塑胶材料其它分类原料pa9t 12.pdf
- md16x16数字媒体切换器设备.pdf
- 者参考项目发起人学科类型单位序列承包商修订页代码顺序典型.pdf
- 届世界天然气大会阿姆斯特丹2006add10288.pdf
- 期测试记录表每周weekly g1g6 journeys tests level 6 lesson26.pdf
- modernize-whitepaper现代化您应用程序白皮书.pdf
- anybackup产品典型案例分析.pdf
- 约克金融工程课程tfeslide32.pdf
- 广州市妇女儿童医疗中心历份教学药历01tjy.pdf
文档评论(0)