机器学习简明教程---基于Python语言实现 课件 第9章卷积神经网络.pptx

卷积神经网络《机器学习简明教程》高延增侯跃恩罗志坚机械工业出版社09

本章目标?了解人类视觉系统对CNN的启发?理解CNN算法原理?了解LeNet5、AlexNet、GoogleNet等几种经典的CNN框架上一章使用普通的多层神经网络识别手写数字图像的例子有很多不合理的地方：（1）把图像直接展开成一维向量，会使图像在空间上的关联信息丢失，难以保存图像原有特征；（2）直接展开使得输入层节点过多，导致后续层级的权值过多，这样必然带来学习效率的低下；（3）大量的权值参数使得过拟合风险增加。而卷积神经网络（ConvolutionalNeuralNetworks,CNN）的出现，极大地缓解了这些问题。CNN的处理方式更接近生物神经网络，它是特殊设计的多层神经网络，将卷积、池化运算与神经网络结合，可以充分利用待处理特征的内部关联信息。再加上CNN算法实现中将涉及到的大量矩阵运算可以交给GPU处理，大大提高了运算速度，CNN的这些特性使得它在计算机视觉领域得到广泛应用。基本CNN结构包括输入层、卷积层、池化层、全连接层及输出层。本章首先详细介绍一般CNN算法框架及其各层级实现原理，然后给出几种较常用的CNN模型，最后通过一个案例演示CNN如何用于解决实际问题。

目录/Contents9.19.2人类视觉系统的启发CNN算法原理9.3CNN应用

9.1人类视觉系统的启发增加神经网