华为认证 AI 人工智能实战-第4章：深度学习进阶——CNN 与图像分析.pptxVIP

华为认证AI人工智能实战训练营【HCIE】第四章：深度学习进阶——CNN与图像分析

课程目录01CNN核心原理卷积、池化、空洞卷积、可分离卷积02经典CNN架构ResNet、DenseNet、EfficientNet03图像分析前沿目标检测、图像分割04实战案例：工业缺陷检测基于MindSpore的YOLOv5实现05常见问题排查模型不收敛、过拟合、梯度问题、推理速度06总结与课后任务知识回顾与动手实践

01.CNN核心原理：卷积(Convolution)核心思想(CoreIdea)利用可学习的卷积核(Kernel)在输入图像上滑动，通过计算局部区域的加权和来提取特征，如边缘、纹理等。工作原理(Howitworks)1.卷积核：3x3/5x5小型权重矩阵，负责检测特定特征。2.滑动窗口：从左到右、从上到下遍历图像。

3.点积计算：逐元素相乘后求和得到特征图的一个像素。4.特征图：记录特征在不同位置的激活强度。关键参数?步幅(Stride):每次滑动像素数

?填充(Padding):边缘补零控尺寸输出尺寸计算公式H_out=floor((H+2P-K)/S)+1直观理解卷积就像使用不同倍数的“放大镜”扫描图像。每一个卷积核都是一个特定的“滤镜”，专门用来寻找水平边缘、垂直边缘、或者特定的纹理。网络通过组合这些简单特征，最终识别出复杂的物体。

01.C