2022最新版-李宏毅机器学习深度学习课程-P17 卷积神经网络CNN

一、CNN 用于图像分类

需要图片大小统一

彩色图像分为R G B 三层,展平后首尾相接

值代表着颜色的强度

图像识别中不需要全连接的,参数太多了

观测1:通过判断多个小局部图像就能判断出图片标签

感受野的定义

简化1

  • 感受野可以重叠;
  • 同一感受野可以通过不同的权重

典型设置

观测2:相同部分出现在不同区域

简化2

共享参数

典型设置

引入filter的概念,实质是同一套权重

卷积的优势

  • 有些要素比整张图片小的多
  • 同一要素可能会出现在不同区域

二、另一角度切入

卷积层

多次经过卷积层

在第二次卷积时,输入的原始图片信息增加了!

所以不是一直分区域处理的。随着层数的增加,考虑的范围会逐渐变大

三、两种介绍的对比

分享的权重其实就是filter

卷积 = 不同的filter扫过整个矩阵 = 不同的感受野公用权重参数

观测3:截出主要元素不会改变标签

引入池化层

每次选出一个作为代表

MAX pooling:每个区域选出最大的作为代表

四、CNN全过程总结

五、应用:下围棋

每个棋子有48个channel,代表48个状态

CNN为啥能用于下围棋?因为他们的这两点特征相似

由于棋子不能省略,用于围棋中不能加入池化层

更多应用:语音、自然语音处理。。。

相关推荐
辰尘_星启12 分钟前
【机器学习】反向传播如何求梯度(公式推导)
人工智能·深度学习·机器学习·强化学习·梯度下降·反向传播
我.佛.糍.粑37 分钟前
Shusen Wang推荐系统学习 --召回 矩阵补充 双塔模型
人工智能·学习·机器学习·矩阵·推荐算法
苦瓜汤补钙1 小时前
论文阅读:WildGS-SLAM:Monocular Gaussian Splatting SLAM in Dynamic Environments
linux·论文阅读·机器学习
智算菩萨2 小时前
传统机器学习在信用卡交易预测中的卓越表现:从R²=-0.0075到1.0000的华丽转身
人工智能·机器学习·r语言
石迹耿千秋2 小时前
PyTorch多层感知机(MLP)模型构建与MNIST分类训练
pytorch·深度学习
大连好光景3 小时前
L1正则化 VS L2正则化
人工智能·深度学习·机器学习
国家不保护废物3 小时前
深度学习
人工智能·深度学习·机器学习
LSQ的测试日记3 小时前
深度学习_全连接神经网络
人工智能·深度学习·神经网络
CoovallyAIHub3 小时前
2025年小目标检测分享:从无人机视角到微观缺陷的创新模型
深度学习·算法·计算机视觉
盼小辉丶3 小时前
TensorFlow深度学习实战(26)——生成对抗网络详解与实现
深度学习·生成对抗网络·tensorflow