CNN学习入门-薛开宇.pptx

发布时间：2022-06-13 发布人：admin 分类：说明书资料大小：5.19M 资料格式：pptx 举报版权申诉

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第1页.png

第1页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第2页.png

第2页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第3页.png

第3页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第4页.png

第4页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第5页.png

第5页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第6页.png

第6页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第7页.png

第7页 / 共71页

95327cd3-263c-42d1-beb6-49a8ed865802.pptx.pdf-第8页.png

第8页 / 共71页

文本预览

KAIYU XUE

本PPT架构 1、WHY 2、WHAT 3、HOW（模式图） 4、HOW（公式推导）

1、对sparse autoencoder的回顾总结：通过相似的输入和输出，用cost函数求出中间的参数（更新到最小的cost函数的输出就是中间的参数），而更新时需要用梯度下降法，梯度下降法需要偏导，偏导需要用 BP算法。 2、经典sparse autoencoder的输出应该是和输入数据尺寸大小一样的，且很相近。

3、然后，拿掉那个后面的输出层后，隐含层的值就是我们所需要的特征值了。 4、因为模型的输出是x，可以看出，特征值输出的也是x的特征，其实这是一种无监督的学习unsupervised learning 的一种方式，叫self-taught learning 5、在这种无监督学习中，可以看出，每个特征值(参数）都与输入相连。是一种全部连接网络

如果我们的图像很大，比如说为 100*100，隐含层有要学习100个特征，则这时候把输入层的所有点都与隐含层节点连接，则需要学习10^6个参数，这样的话在使用BP算法时速度就明显慢了很多。运用BP算法后求cost函数的参数：

为了处理大图像，所以后面就发展到了局部连接网络，也就是说每个隐含层的节点只与一部分连续的输入点连接。 Convolutional Neural Networks are a special kind of multi-layer neural networks. Like almost every other neural networks they are trained with a version of the back-propagation algorithm. Where they differ is in the architecture.

因此：CNN一个厉害的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数。一些Deeplearning方法：

分享到：

赞收藏

资料库

CNN学习入门-薛开宇.pptx

相关推荐

课程资源

热门标签

最新资料