深度卷积神经网络原理与实践-全套PPT课件.pptxVIP

《深度卷积神经网络原理与实践》;最早给出机器学习概念的是ArthurSamuel，他认为“机器学习是在不直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域”。

美国CMU计算机系T.Mitchell教授给机器学习下了一个更为广泛接受的定义：假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。;1.1机器学习概述;1.1.3机器学习的发展简史;1.1机器学习概述;有监督学习：指从带有标签信息的训练集中学得一个模型，再用该模型对新样本的标签值进行预测或推断。

无监督学习：处理的数据都是无标签的，学习目的是发现样本集的某种内在结构或者分布规律。

半监督学习：一般针对的问题是训练集里同时存在有标签数据和无标签数据

强化学习：是以一种“试错”的方式进行学习，目标是使获得的累积奖赏值最大化。;1.3模型评估与选择;1.3模型评估与选择;1.3模型评估与选择;1.3.4过拟合与欠拟合;1.4神经网络与深度学习;1.4神经网络与深度学习;1.4神经网络与深度学习;1.4神经网络与深度学习;1.4神经网络与深度学习;《深度卷积神经网络原理与实践》;卷积神经网络的发展大体上经历了三个阶段，即：

理论提出阶段

卷积神经网络的发展最早可追溯到20世纪60年代。

模型实现阶段

1989年，Y.LeCun等人提出了最初的卷积神经网络模型。

广泛研究阶段

目前，卷积神经网络已经广泛应用于目标检测、视频分类、人脸识别、行人验证、行为识别、姿态估计、语义分割、人群密度估计、图像质量评价等诸多领域。;卷积神经网络的本质是映射。例如，一个用于目标分类的卷积神经网络，实现了从图像到类别的映射；一个用于目标检测的网络，实现了从图像到类别和空间位置信息的映射；一个风格迁移（styletransfer）网络，实现了从图像到艺术风格化的映射。;2.2.1基本卷积运算;2.2卷积层;2.2卷积层;2.2卷积层;2.2卷积层;2.3激活层;2.3激活层;2.4池化层;2.4池化层;2.5全连接层;2.6目标函数;2.6目标函数;2.7卷积神经网络的反向传播;2.7卷积神经网络的反向传播;2.7卷积神经网络的反向传播;《??度卷积神经网络原理与实践》;LeNet网络结构并不复杂，层数也较少，但它包含了卷积层、池化层以及全连接层这样一些深度神经网络的基本模块。除输入层外，LeNet网络共有7层，包含2个卷积层、2个池化层和3个全连接层。;LeNet网络是早期卷积神经网络的代表之作，其采用的结构、部件至今仍被广泛使用。可以说，LeNet就是学习卷积神经网络的“HelloWorld”，是学习其他网络结构的基础。当然，当时采取的一些方法，如包含可学习参数的池化层、人为指定通道的卷积层等等，现在已经不再采用，但是由较小的组合件（如“卷积层—池化层—激活函数”）堆叠从而形成较深的网络的做法目前仍然十分流行。;3.2.1AlexNet网络结构;3.2AlexNet;3.3VGGNet;3.3VGGNet;3.4GoogleNet;3.4GoogleNet;3.4GoogleNet;3.5ResNet;3.5ResNet;3.6其它网络结构;3.6其它网络结构;3.6其它网络结构;3.6其它网络结构;《深度卷积神经网络原理与实践》;自1991年公开发布第一个版本至今近三十年时间，Python已先后发布了多个版本：

Python2.0于2000年10月发布，增加了垃圾回收、支持Unicode等功能；

Python3.0于2008年12月发布，此版本不完全兼容Python2.0，导致Python2.x与Python3.x版本不兼容；

Python3.6在2016年12月发布；

Python3.7在2018年6月发布；

Python3.8在2019年7月发布；

Python2.7.17在2019年10月发布；

Python3.7.7在2020年3月发布；

Python3.8.5于2020年7月发布。;易学易用：Python语法结构简洁而又清晰，相对于其他常用程序设计语言，可以用更少的代码实现相同的功能，使编程人员更多的关注数据处理逻辑，而不是语法细节；

类库丰富：Python拥有丰富和强大的标准库和第三方库，并且众多开源的科学计算软件包都提供了Python的调用；

移植性好：程序无需修改便可在Windows、Linux、Unix、Mac等操作系统上使用。;4.1.3Python的主要应用领域;4.2Python编程环境搭建;4.3Python程序设计;