深度学习及自动驾驶应用（上篇，共上中下3篇）.pptxVIP

;;;汽车自动驾驶技术原理及愿;汽车自动驾驶的分级

;汽车自动驾驶的分级

中国汽车工程学会分级;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;汽车自动驾驶技术发展现状;;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;汽车自动驾驶技术架构;;深度学习与传统机器学习的区别;深度学习的研究及应用进展;自动驾驶领域深度学习应用概述;自动驾驶领域深度学习应用概述;自动驾驶领域深度学习应用概述;自动驾驶领域深度学习应用的概述;自动驾驶领域深度学习应用的概述;自动驾驶领域深度学习应用的概述;自动驾驶领域深度学习应用的概述;自动驾驶领域深度学习应用的概述;自动驾驶领域深度学习应用的概述;Thanks!;;;车的识别;一个经典的定义：神经网络是由具有适应性的简单单元组成的广泛并行互连网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。;人脑视觉机理;人脑视觉机理;从原始信号摄入（瞳孔摄入像素Pixels）?初步处理（大脑皮层某些细胞发现边缘和方向）?抽象（大脑判定，眼前的物体的形状，是圆形的）?进一步抽象（大脑进一步判定该物体是人脸）

从原始信号，做低级抽象，逐渐向高级抽象迭代;图像在计算机中的存储方式;人工神经网络模仿人类的视觉系统;图像识别基本框架（场景识别、目标识别、人脸识别…）;使用深度学习的目的：寻找一个合适的函数;图像识别;学习过程;学习过程;学习过程;建立模型;建立模型;建立模型;单层感知器;;单层感知器;???层感知器学习过程;假设：t=1，η=1，x1=1，w1=-5，b=0:;;1.误差小于某个预先设定的较小的值

2.两次迭代之间的权值变化已经很小

3.设定最大迭代次数，当迭代超过最大次数就停止;题目：假设平面坐标系上有四个点，(3,3),(4,3)这两个点的标签为1，

(1,1),(0,2)这两个点的标签为-1。构建单层感知器来分类。;单层感知器程序实现;建立模型;;;网络结构;建立模型—浅层神经网络;建立模型—浅层神经网络;建立模型—深度神经网络;为什么引入激活函数

为了增强网络的表达能力，我们需要激活函数来将线性函数-非线性函数

深层神经网络中最常用的是ReLU，Sigmoid使用较少。;激活函数表达式以及对应的微分函数;Google神经网络演示平台;前馈神经网络;建立模型;输出层;;应用示例：手写识别;应用示例：手写体识别;建立模型;损失函数;16x16=256;?;损失函数;建立模型;参数学习;;参数学习;选择一个初始值w，Random,RBMpre-train;总损失;初始值影响;使用步骤;BP(BackPropagation)神经网络;;信号正向传播;;;;;;;;参数学习;参数学习;参数学习;参数学习;参数学习;参数更新：;参数学习;参数学习;参数学习;BP网络-数字识别程序实现;BP网络-数字识别程序实现;深度学习框架;深度学习超参数;防止过拟合的方法;Drop-Out;本章总结;;;全连接神经网络模型回顾;问题导入;建立模型;;;;问题导入;;第二个发现：

大小改变，鸢尾花仍然可以有效区分

如何利用这个特性？

可能的做法：

在神经网络逐层累加的过程中，可以直接对图像进行缩放;

缩放到适当大小后，可以在特征提取过程中得到有效响应。;建立模型;目录;;卷积层+激活函数+池化层+全连接层 ;建立模型;建立模型;建立模型;640x480;建立模型;全连接神经网络;建立模型;10;10;10;10;10;建立模型;10;10;;;;;;;;;;;建立模型;;;;建立模型;建立模型;10;10;10;10;10;1.卷积层+激活函数+池化层的组合多次出现提取特征

2.多个全连接层或特殊的CNN结构做为输出层 做分类器/检测器/分割器;建立模型;建立模型;损失函数;损失函数;损失函数;建立模型;梯度下降法;梯度下降法;梯度下降法使用样本方式的变种;梯度下降方式的优化;反向传播算法;目录;经典模型(LeNet-5);MNIST数据集：计算机视觉领域