源自視覺神經(jīng)原理的卷積神經(jīng)網(wǎng)絡簡介

基于人們對于生物視覺的研究，科學家們給出了在計算機視覺中的具備良好表現(xiàn)的卷積神經(jīng)網(wǎng)絡模型。

卷積神經(jīng)網(wǎng)絡發(fā)展概況

1.在這個結構中可以使用反向傳播來訓練權重。

2.Yann LeCun et al在1989年首次展示手寫數(shù)字識別。

3.Krizhevsky，Sutskever & Hinton在2012年展示了ImageNet競賽中圖像分類上的有效性。

4.Girshick，Donahue，Darrell & Malik（arxiv，2013）（CVPR 2014）展示卷積網(wǎng)絡對于目標檢測同樣可行。

5……

LeNet 1989

最早的卷積神經(jīng)網(wǎng)絡的模型

卷積操作：卷積窗口的大小需要指定
池化操作：
特征圖：
構成卷積神經(jīng)網(wǎng)絡的基礎

全連接VS局部連接

全連接

某一層的某一個結點，要和上一層所有的結點都有連接。

局部連接

卷積是局部化的連接方式，也就是說某一層的某一個結點跟前一層之間的連接不是全部，而是針對一個小窗口。

網(wǎng)絡連接結構

卷積——>池化——>循環(huán)——>累加===》網(wǎng)絡連接結構

卷積網(wǎng)絡深入理解

Convolution

卷積的輸入通常是針對一個圖像來說的，是一個二維的結構輸入單元。
卷積的時候是將一個局部感知野的內(nèi)容信息合到一個hidden neuron過程。
通過這樣的方式匯集視覺的信息內(nèi)容。

神經(jīng)元對一個指定大小的窗口的內(nèi)容抽取到第一個隱藏層的第一個單元的位置上。
可以使用stride length控制移動像素大小。

共享權重

使用一個指定大小的窗口去掃動整個圖片的時候，對應的鏈接是同樣的權重。

特征圖 Feature map

池化 Pooling

max-pooling units：找出最大值輸出到下一層。
L1 pooling：取激活值的平方和的平方根。

總結

以上是生活随笔為你收集整理的PaddlePaddle训练营——公开课——AI核心技术掌握——第2章机器能“看”的现代技术——源自视觉神经原理的卷积网络简介及深入理解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。