卷积神经网络介绍（CNN）- 3 总结
卷积神经网络（CNN）卷积神经网络（CNN）是一种深度学习架构，广泛应用于图像处理、视觉识别等领域。它包括以下几个核心组成部分：INPUT（输入层）：接收原始图像数据，如32 32 3的RGB图像。CONV（卷积层）：使用卷积核提取图像特征。RELU（激活函数）：引入非线性因素，提高模型的表达能力。POOL（池化层）：压缩特征，降低维度。FC（全连接层）：将学到的“特征”映射到样本的标记空间。卷积层（CONV）卷积层的主要作用是特征提取。主要参数包括：滑动窗口步长：控制卷积核移动的步长。卷积核尺寸：定义了卷积核的大小，如5 5 3。填充边缘（Padding）：在图像边缘添加零，...
卷积神经网络介绍（CNN）-2
The Pooling Step(池化)空间池化（也称为子采样或下采样）减少了每个特征图的维度，但保留了最重要的信息。空间池可以有不同的类型：Max、Average、Sum 等。在最大池化的情况下，我们定义一个空间邻域（例如，2×2 窗口）并从该窗口内的校正特征图中获取最大元素。我们也可以取该窗口中所有元素的平均值（平均池化）或总和，而不是取最大的元素。在实践中，最大池化已被证明效果更好。我们将 2 x 2 窗口滑动 2 个单元格（也称为“步幅”）并获取每个区域中的最大值。如图 10所示，这减少了特征图的维数。在图 11所示的网络中 ， 池化操作分别应用于每个特征图（请注意，因此，我们从...
卷积神经网络介绍（CNN）-1
什么是卷积神经网络以及它们为何重要？卷积神经网络（ConvNet或CNN ）是神经网络的一类，已被证明在图像识别和分类等领域非常有效。除了为机器人和自动驾驶汽车的视觉提供动力之外，卷积网络还成功地识别了人脸、物体和交通标志。LeNet 架构（20 世纪 90 年代）LeNet 是最早的卷积神经网络之一，有助于推动深度学习领域的发展。Yann LeCun 的这项开创性工作 自 1988 年以来经过多次成功迭代后被命名为LeNet5 [ 3 ]。当时LeNet架构主要用于字符识别任务，例如读取邮政编码、数字等。下面，我们将直观地了解 LeNet 架构如何学习识别图像。近年来提出了几种新的架构...
Regularisation 正则化
正则化：约束连接权重约束连接权重：L2正则化：添加一个与连接权重的L2范数相对应的损失项L1正则化：添加一个与连接权重的L1范数相对应的损失项=> 倾向于稀疏连接权重（即更多接近0的连接权重）正则化因子：控制添加多少正则化Keras示例：（l2可以改为l1，0.01是正则化因子）model.add(keras.layers.Dense(300, activation="relu", kernel_regularizer=keras.regularizers.l2(0.01)))正则化是一种用于防止机器学习模型过拟合的技术。过拟合发生在模型对训练数据学得“太好”，...