新一代人工智能：从深度学习到大模型 课件 4. 卷积神经网络原理与误差反向传播原理 .pdf

《新一代人工智能：从深度学习到大模型》

卷积神经网络原理

主讲人张重生

新一代人工智能：

卷积神经网络提出的动机从深度学习到大模型

1.人工神经网络需要大量的连接；不太适合图像，尤其是大尺寸图像，因为运算效率较低

28*28的手写字体图像，和现在动辄4640*1680的图像，从764个输入神经元到800万多个输入神经元

2.对图像而言，人工神经网络没有利用图像本身的特征，如平移不变性及图像中像素的空间邻域特点

3.因此，LeCun提出了卷积神经网络，卷积神经网络=先进行图像的滤波操作→再进行人工神经网络（含BP）

卷积是图像处理中滤波器/滤波操作的别名而已，只是滤波器的权值能够自动更新、自动求最优的权值。

卷积层（滤波操作）人工神经网络（全连接层）

2

人工神经网络（全连接网络）

Part卷积神经网络—卷积运算示例讲解

04-1通过示例，讲解卷积神经网络的卷积操作、原理及其特点

Introductionto

ConvolutionalNeuralNetworks

新一代人工智能：

一、图像的卷积操作（1）二维图像/二维矩阵从深度学习到大模型

在某个图像（矩阵）A上的每个滑动窗口W，与另一个矩阵B，进行点乘操作、并求和

矩阵A矩阵B

11100

W01110101

00111010

00110101

01100

101

矩阵B称为二维卷积核，此处是3×3尺寸

010

101

矩阵B4

详见本书教材第51-52页

新一代人工智能：

一、图像的卷积操作（2）动态过程从深度学习到大模型

5

新一代人工智能：

一、图像