原创力文档- 1、本文档共56页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
任务知识——卷积人工智能学院—任务二：使用卷积神经网络完成猫狗识别
任务导入01任务目标02任务导学03任务知识点04
任务导入/01
猫狗识别是一个经典的图像分类问题，目标是根据输入的图像判断其中是否包含猫或狗。卷积神经网络（CNN）是一种深度学习模型，特别适用于处理图像数据。它们能够从输入图像中提取局部特征，并利用这些特征进行分类。本任务使用卷积神经网络（CNN）训练一个模型完成猫狗识别。任务导入
任务目标/02
任务目标理解深度学习过拟合及其应对策略了解卷积神经网络的基本结构理解卷积运算的原理及作用了解池化层的原理及作用理解激活函数在CNN中的应用知识目标能优化和调整CNN架构能进行模型调优和超参数搜索拓展能力能识别模型过拟合的现象和原因能进行数据预处理能构建卷积神经网络能完成模型的训练和评估能进行模型的调参和优化能力目标
任务导学/03
卷积神经网络通过卷积操作来提取图像等数据的特征，从而实现对数据的分类、识别等任务。定义卷积层、池化层、激活函数、全连接层以及可选的正则化层。结构通常使用反向传播算法来调整连接权重，以最小化预测输出与实际输出之间的误差。训练用途特别适用于处理具有网格结构数据的任务，如图像和视频识别。任务导学
任务知识/04
参数量大：全连接层中的每个神经元都与前一层的所有神经元相连接，导致参数数量呈二次增长。容易过拟合：由于参数数量庞大，容易在训练集上过度拟合，导致在测试集上的性能下降。不考虑空间结构：对输入数据进行扁平化处理，丢失了数据的二维结构信息。计算资源消耗大：训练和推理时需要较大的计算资源。特别是在大规模数据和复杂模型的情况下，需要更多的计算资源和时间。不适用于大规模数据：全连接神经网络在处理大规模数据时可能面临计算资源不足的问题。因为参数量较大，需要大量的内存和计算资源来进行训练和推理。全连神经网络存在的问题
输入层为100*100隐藏层为100*100那么这层就有100×100×100×100个参数以32位的浮点数进行存储，就需要4×108的字节的存储量，约等于400MB的参数量。全连神经网络存在的问题
卷积操作是一种数学运算，是结合两个函数生成第三个函数的数学运算，卷积操作可以理解为是两个变量在某范围内相乘后求和的结果。卷积操作可以应用于图像处理、信号处理等领域，用于特征提取、滤波等任务。卷积操作
图像可以表示为像素矩阵形式，卷积操作可以看作是确定一个卷积核，将这个卷积核在图像像素矩阵中按照指定的步长从左至右、从上到下移动，在移动过程中，将卷积核的权重与其对应的图像矩阵区域的权重做乘积并加和，最终输出一个值，卷积过程如图所示：图像卷积
图像的卷积运算是使用各种卷积核对图像处理中使用的一种运算。在深度学习中卷积神经网络（CNN）通过卷积操作来提取输入图像的特征，并在此基础上进行分类、检测等任务。图像卷积
图像的卷积运算是提取图像的特征，这时需要使用到卷积核，它是一种可学习的滤波器，作用是提取输入数据的局部特征。卷积核在卷积操作中，卷积核可以识别输入图像中的不同特征，例如边缘、纹理、角落等，也可以提取更加高级的特征表示。卷积核的大小是卷积神经网络中的一个超参数，通常与输入数据的尺寸以及需要提取的特征的大小有关。
Laplacian卷积核，用于检测图像中的边缘和角点，具有旋转不变性和尺度不变性。常见的卷积核高斯卷积核：用于图像平滑，减少图像中的噪声和细节信息，通常为奇数大小的卷积核。垂直边缘检测卷积核，用于检测图像中的垂直边缘，通常为3x3大小的卷积核。
卷积层（ConvolutionalLayer）是卷积神经网络（CNN）中的一种核心层级，用于对输入数据进行特征提取。积层对输入和卷积核权重进行互相关运算，并在添加标量偏置之后产生输出。卷积层中的两个被训练的参数是卷积核权重和标量偏置。在训练基于卷积层的模型时，也随机初始化卷积核权重。卷积层
图像：7*7*3的图像，其中7*7是输入(input)图像的H*W，3表示图像的RGB通道。两个卷积和(filter)W0和W1，形状(shape)为3*3*3，卷积核的第三个维度必须和图像的通道数相同，卷积核还有偏执值(bias)，为了方便计算偏置值的形状(shape)为(1*1*1)。卷积层的卷积运算
将卷积核按照步长2进行卷积运算，图形有个3个通道，分别与卷积核的w0通道1、通道2、通道2做内积运算，分别得到0，2，0将三个值与偏执值相加得到3，这时值就是一个特征值，计算过程如图所示。卷积层的卷积运算
卷积核横向移动2个像素点，按照上述计算过程就得到第二个特征值-5，继续计算得到卷积核1对图像做卷积运算的结果特征矩阵o1，接着使用卷积核2对图像做卷积运算得到特征矩阵o2，最终得到输出的特征图（FeatureMap）它的形状是(3*3
文档评论（0）