【深度学习】(二)深度学习基础-下

简介: 上一章介绍了机器学习的内容,这一章来了解一下深度学习。深度学习是在机器学习的基础上继续研究得来的,又经过了几十年日日夜夜的科研人员的研究,最终留下一些通用的、经典的算法,下面我们开始学习吧。

三、卷积神经网络(CNN)

1.CNN 解决了什么问题?

在 CNN 出现之前,图像对于人工智能来说是一个难题,有2个原因:


- 图像需要处理的**数据量太大**,导致成本很高,效率很低

-  图像在数字化的过程中很难保留原有的**特征**,导致图像处理的准确率不高


而CNN的提出很好的解决了这两个问题,对大量的图像数据进行降维的同时进行特征提取。它用类似视觉的方式保留了图像的特征,当图像做翻转,旋转或者变换位置时,它也能有效的识别出来是类似的图像。

2.基本组件.

典型的 CNN 由3个部分构成:


- 卷积层– 主要作用是保留图片的特征

- 池化层 – 主要作用是把数据降维,可以有效的避免过拟合

- 全连接层 – 根据不同任务输出我们想要的结果

bf6d2df165e14388b27feabddef06ebf.png

3.卷积层

- 作用:特征提取,卷积层通过卷积核的过滤提取出图片中局部的特征,跟上面提到的人类视觉的特征提取类似。

- 超参数:卷积核数量、核尺寸、步长、零填充

5548d49638034803a6c25b62630b89d0.gif

# 卷积层,32个卷积核,尺寸为5x5conv1=tf.layers.conv2d(x, 32, 5, activation=tf.nn.relu)

4.池化层

- 作用:特征融合,降维

- 无参数需要学习

- 超参数:尺寸、步长、计算类别--最大池化/平均池化

b4215f60fcc94c51a80c4b2e6e029a4a.gif

# 最大池化层,步长为2,无需学习任何参量conv1=tf.layers.max_pooling2d(conv1, 2, 2)

5.全连接层


- 全连接层采用softmax函数,指数归一化函数,将一个实数向量压缩到(0,1)。

-  最后一个全连接层对接1000类的softmax层(主要取决于标签的种类)


4287e98bdaaa46baa602c772dc82e43e.png

# 展开特征为一维向量,以输入全连接层fc1=tf.contrib.layers.flatten(conv2)
# 全连接层fc1=tf.layers.dense(fc1, 1024)
# 应用Dropout (训练时打开,测试时关闭)fc1=tf.layers.dropout(fc1, rate=dropout, training=is_training)
# 输出层,预测类别out=tf.layers.dense(fc1, n_classes)


目录
相关文章
|
3月前
|
机器学习/深度学习 传感器 监控
基于深度学习的感知和认知系统
基于深度学习的感知-认知系统结合了感知和认知两大核心模块,旨在为机器提供从数据采集、分析到决策制定的一整套能力。这种系统模仿人类的感知(如视觉、听觉)和认知(如推理、决策)过程,能够高效地感知复杂环境,并进行智能决策。
60 2
|
5月前
|
机器学习/深度学习 自然语言处理 机器人
深度学习的应用
【7月更文挑战第30天】深度学习的应用
92 3
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
了解深度学习
【6月更文挑战第26天】了解深度学习。
44 3
|
6月前
|
机器学习/深度学习 编解码 算法
【深度学习】DragGAN
【深度学习】DragGAN
57 0
|
机器学习/深度学习 数据采集 人工智能
深度学习基础
深度学习的基础知识点
191 0
|
机器学习/深度学习 算法 网络架构
【深度学习】(二)深度学习基础-上
上一章介绍了机器学习的内容,这一章来了解一下深度学习。深度学习是在机器学习的基础上继续研究得来的,又经过了几十年日日夜夜的科研人员的研究,最终留下一些通用的、经典的算法,下面我们开始学习吧。
130 0
【深度学习】(二)深度学习基础-上
|
机器学习/深度学习
深度学习:CSPNet
深度学习:CSPNet
558 0
深度学习:CSPNet
|
机器学习/深度学习 PyTorch TensorFlow
深度学习
深度学习
113 0
深度学习
|
机器学习/深度学习 自然语言处理 算法
深度学习的介绍
目标: 1.知道什么是深度学习 2.知道深度学习和机器学习的区别 3.能够说出深度学习的主要应用场景 4.知道深度学习的常用框架
深度学习的介绍
|
机器学习/深度学习 编解码 文字识别
深度学习系列资料总结(二)
深度学习定义:一般是指通过训练多层网络结构对未知数据进行分类或回归 深度学习分类: 有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等; 无监督学习方法——深度信念网、深度玻尔兹曼机,深度自编码器等。
830 0