提问

卷积神经网络

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” 。

    首页 > 人工智能（Artificial Intelligence） > 卷积神经网络

  • 卷积神经网络（CNN）简介

    卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” 。

    2019-05-11 15:27:36 127

  • 卷积神经网络（CNN）基本结构

    卷积神经网络中有四个主要操作：卷积、非线性变换（ReLU）、池化或子采样、分类（完全连接层）

    2019-05-11 15:39:38 313

  • 卷积神经网络（CNN）卷积层

    卷积神经网络的名字来源于“卷积”运算。在卷积神经网络中，卷积的主要目的是从输入图像中提取特征。通过使用输入数据中的小方块来学习图像特征，卷积保留了像素间的空间关系。在泛函分析中，卷积（ convolution ）是一种函数的定义 。 它是通过两个函数 f 和 g 生成第三个函数的一种数学算子，表征函数 f与 g 经过翻转和平移的重叠部分的面积 。

    2019-05-11 15:50:14 496

  • 卷积神经网络（CNN）池化层

    空间池化（也称为子采样或下采样）可降低每个特征映射的维度，并保留最重要的信息。空间池化有几种不同的方式：最大值，平均值，求和等。

    2019-05-11 16:57:14 201

  • 卷积神经网络（CNN）前向传播算法

    CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用Softmax激活函数的输出层。

    2019-05-11 17:14:52 291

  • 卷积神经网络（CNN）反向传播算法

    传统的神经网络是全连接形式的，如果进行反向传播，只需要由下一层对前一层不断的求偏导，即求链式偏导就可以求出每一层的误差敏感项，然后求出权重和偏置项的梯度，即可更新权重。而卷积神经网络有两个特殊的层：卷积层和池化层。池化层输出时不需要经过激活函数，是一个滑动窗口的最大值，一个常数，那么它的偏导是1。池化层相当于对上层图片做了一个压缩，这个反向求误差敏感项时与传统的反向传播方式不同。从卷积后的feature_map反向传播到前一层时，由于前向传播时是通过卷积核做卷积运算得到的feature_map，所以反向传

    2019-05-11 17:16:01 182

  • 深度残差网络（Deep Residual Networks (ResNets)）

    残差在数理统计中是指实际观察值与估计值（拟合值）之间的差。在集成学习中可以通过基模型拟合残差，使得集成的模型变得更精确；在深度学习中也有人利用layer去拟合残差将深度神经网络的性能提高变强。

    2019-05-14 11:05:32 380
关闭