卷积神经网络与迁移学习.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：4.10M 资料格式：pdf 举报版权申诉

chuoji2469384644-10476532-4744302543389333277.pdf-第1页.png

第1页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第2页.png

第2页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第3页.png

第3页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第4页.png

第4页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第5页.png

第5页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第6页.png

第6页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第7页.png

第7页 / 共58页

chuoji2469384644-10476532-4744302543389333277.pdf-第8页.png

第8页 / 共58页

文本预览

LOGO 卷积神经网络与迁移学习寒小阳 2016年9月25日寒⼩小阳

LOGO ■ 卷积神经网络快速回顾 1.层级结构 2.数据处理 3.训练算法 4.优缺点 ■ 典型CNN 1.AlexNet 2.GoogLeNet 3.VGG Net 4.ResNet ■ 物体定位 1.回归的思路 ■ 物体检测 1.早期做法 2.RCNN/Fast-RCNN/Faster_RCNN 3.R-FCN ■ 文艺绘画与Neural Style 1.风格描述 2.主体对调与损失最小化寒⼩小阳

LOGO 卷积神经网络层级结构 □ 不同层次结构有不同形式(运算)与功能寒⼩小阳

LOGO 主要是以下层次 □ 数据输入层/ Input layer □ 卷积计算层/ CONV layer □ ReLU激励层 / ReLU layer □ 池化层 / Pooling layer □ 全连接层 / FC layer □ Batch Normalization层(可能有) 寒⼩小阳

LOGO □ 数据输入层/ Input layer 有3种常见的图像数据处理方式 □ 去均值 □ 归一化 □ PCA/白化 ■ 把输入数据各个维度都中心化到0 ■ 幅度归一化到同样的范围 ■ 用PCA降维 ■ 白化是对数据每个特征轴上的幅度归一化寒⼩小阳

□ 卷积计算层/ CONV layer LOGO ■ 局部关联。每个神经元看做一个filter。 ■ 窗口(receptive field)滑动，filter对局部数据计算 ■ 涉及概念： ■ 深度/depth ■ 步长/stride demo ■ 填充值/zero-padding cs231n.github.io/assets/conv-demo/index.html 寒⼩小阳

LOGO 寒⼩小阳

□ 卷积计算层/ CONV layer LOGO ■ 参数共享机制 ■ 假设每个神经元连接数据窗的权重是固定的 ■ 固定每个神经元连接权重，可以看做模板 ■ 需要估算的权重个数减少: AlexNet 1亿 => 3.5w ■ 一组固定的权重和不同窗口内数据做内积: 卷积每个神经元只关注一个特性寒⼩小阳

分享到：

赞收藏

资料库

卷积神经网络与迁移学习.pdf

相关推荐

人工智能

热门标签

最新资料