卷积神经网络 循环神经网络

卷积神经网络强大之处

多层网络结构能自动学习输入数据的深层特征,不同层次的网络可以学习到不同层次的特征。浅层学习局部特征(物体的颜色,几何形状),深层学习抽象特征(物体属性,轮廓特点,位置信息)

卷积神经网络的结构

输入层、卷积层(提取特征)、下采样层(空间维度下采样)、全连接层、输出层(softmax层,对全连接后的特征向量进行计算,得到分类评分值)

卷积神经网络和人工神经网络的联系

人工神经网络的神经元按照一维进行排列,卷积神经网络每层神经元按照三维排列,每一层有长宽高,长宽代表输入图像矩阵的长度和高度,高代表该层网络的深度

卷积操作

卷积实际是图像处理技术中的滤波操作。不同于滤波操作中滤波器是事先定义好的,卷积神经网络的卷积核内容是通过梯度下降法训练得到的

Padding操作

卷积操作会遇到在图像边界卷积造成信息丢失的问题,Paddin用来解决这一问题

same padding:对图像矩阵进行边界补充(填0值),使得卷积后得到的特征矩阵与输入矩阵大小一致

valid padding:不进行padding操作

卷积神经网络三大核心思想

局部感知、权值共享、下采样技术

局部感知

感知区域实际上是卷积核的空间大小,每个隐层神经元节点只负责连接到图像某个局部区域,大大减少网络中的权值参数

权值共享

假设卷积核A、B有相同的纹理特征,则实际上只要一个卷积核C就可以代替A和B,共i选哪个卷积核C(即共享相同的权值矩阵),减少网络参数

下采样

对图像进行压缩,减少输出的总像素,缩减图像的空间尺寸规模,减少过拟合可能性,减少计算量,进一步提取高维特征

最大池化下采样:选pooling窗口的最大值作为pooling特征

均值池化下采样:取pooling窗口的均值作为pooling特征

网络参数设计规律

输入层矩阵的大小应该可以被2整除多次

卷积核尽量使用小尺寸卷积核(卷积核大导致特征图减小,且难以提取高维特征)

卷积步长不要过大

卷积层中使用same oadding零填充矩阵边界

pooling层一般使用2*2的窗口,步长为2的max pooling操作

全连接层数不宜超过3层。层数越多,训练难度越大,越容易造成过拟合和梯度消散


循环神经网络

循环递归处理历史数据和对历史记忆进行建模,适用于处理时间、空间序列上有强关联的信息。

随着时间变化动态调整自身的网络状态并不断循环传递,具有记忆功能

随着网络规模增大,对序列数据的记忆能力就会逐渐下降。由于循环神经网络模型基本结构过于简单,不能存储长期记忆,当序列信号在网络中多次传递后,可能引起梯度问题,因此提出长短期记忆网络LSTM(Long Short-Term Memory)

相关推荐
埃菲尔铁塔_CV算法23 分钟前
深度学习神经网络创新点方向
人工智能·深度学习·神经网络
图片转成excel表格2 小时前
WPS Office Excel 转 PDF 后图片丢失的解决方法
人工智能·科技·深度学习
哇咔咔哇咔3 小时前
【科普】简述CNN的各种模型
人工智能·神经网络·cnn
李歘歘3 小时前
万字长文解读深度学习——多模态模型CLIP、BLIP、ViLT
人工智能·深度学习
B站计算机毕业设计超人3 小时前
计算机毕业设计Python+大模型农产品价格预测 ARIMA自回归模型 农产品可视化 农产品爬虫 机器学习 深度学习 大数据毕业设计 Django Flask
大数据·爬虫·python·深度学习·机器学习·课程设计·数据可视化
新手小白勇闯新世界4 小时前
深度学习知识点5-马尔可夫链
人工智能·深度学习·计算机视觉
热爱生活的五柒5 小时前
深度学习:利用随机数据更快地测试一个新的模型在自己数据格式很复杂的时候
人工智能·深度学习
科研实践课堂(公众号名称)5 小时前
基于OpenFOAM和深度学习驱动的流体力学计算与应用
人工智能·深度学习
LittroInno5 小时前
TofuAI处理BT1120时序视频要求
深度学习·计算机视觉·tofu