深度学习与卷积神经网络基础理论与实例分析课件课件.pptxVIP

1.概述与背景1.1人工智能、机器学习、深度学习、数据挖掘之间的关系人工智能机器学习深度学习数据挖掘

1.概述与背景1.2神经网络兴衰史第一次兴起（1958年）：感知机，由于没有引入非线性，不能求解异或问题。第二次兴起（1986年）：将BP(BackPropagation)神经网络的提出。第三次兴起（2012年）：深度学习的兴起，一直到现在。发展基础：数据爆炸：图像数据、文本数据、语音数据、社交网络数据、科学计算等计算性能大幅提高

目录020103人脑视觉机理与特征表示概述与背景卷积神经网络04TensorFlow的相关介绍

2.人脑视觉机理与特征表示2.1人脑视觉机理---大脑神经元的信号传输神经元树突输入神经元接收信号隐含层输入神经元激活轴突发出信号隐含层输出人工神经网络大脑神经元信号传输的模拟

2.人脑视觉机理与特征表示2.1人脑视觉机理---大脑识别物体过程?从原始信号摄入开始（瞳孔摄入像素Pixels）；接着做初步处理（大脑皮层某些细胞发现边缘和方向）；然后抽象（大脑判定，眼前的物体的形状）；然后进一步抽象（大脑进一步判定该物体）。Low-levelsensingPreprocessingFeatureextractionFeatureselectionInference:prediction,recognition

2.人脑视觉机理与特征表示2.2特征表示手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，而且它的调节需要大量的时间。既然手工选取特征不太好，那么能不能自动地学习一些特征？学习出特征能否很好的表征目标？

2.人脑视觉机理与特征表示2.2特征表示在不同对象上做训练时，所得的边缘基底是非常相似的，但对象部分和模型就会完全不同了。初级（浅层）特征表示结构性特征抽象层面越高，存在的可能猜测就越少，就越利于分类特征表示也可以分层

2.人脑视觉机理与特征表示神经元的模型分层处理信息特征的分层表达

训练:duringthetrainingphase,aneuralnetworkisfedthousandsoflabeledimagesofvariousanimals,learningtoclassifythem输入:Anunlabeledimageisshowntothepre-trainednetworkFirstLayer:theneuronsrespondtodifferentsimpleshapes,likeedgesHighLayer:theneuronsrespondtomorecomplexstructuresTopLayer:theneuronsrespondtohighlycomplex,abstractconceptsthatwewouldidentifyasdifferentanimals输出:Thenetworkpredictswhattheobjectmostlikelyis,basedonitstraining

2.人脑视觉机理与特征表示2.3浅层学习和深度学习深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至几十层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。这种分层结构，是比较接近人类大脑的结构的。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

目录030201概述与背景人脑视觉机理与特征表示卷积神经网络04TensorFlow的相关介绍

3.卷积神经网络-CNNLeCun1998年，LeCun提出LeNet，并成功应用于美国手写数字识别。测试误差小于1%。麻雀虽小，但五脏俱全，卷积层、pooling层、全连接层，这些都是现代CNN网络的基本组件。卷积层--convolution池化层--pooling全连接层—fullyconnected3.1初探----LeNet框架

3.卷积神经网络-CNN3.1初探----完整的CNN输入层卷积层+ReLU池化层卷积层+ReLU池化层全连接层全连接层输出层把图片分入四个类别：狗，猫，船，鸟当获得一张船图作为输入的时候，网络正确的给船的分类赋予了最高的概率(0.94)。输出层的各个概率相