一、概述
两种神经网络：
-
- 全连接神经网络
- 卷积神经网络（局部连接，相对于全连接而言）
全连接神经网络
weight太多了，导致计算量太大
pooling（池化）： 特征聚集、降维（降低维度）、光滑
目的：
降低输出规模
增加可解释性
避免丢失更多数据
二、卷积网络模型
三、案例分析
1、LeNet
2、AlexNet
3、GoogleNet：
卷积神经网络
2017-10-25
1069
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
一、概述 两种神经网络：全连接神经网络卷积神经网络（局部连接，相对于全连接而言） 全连接神经网络 weight太多了，导致计算量太大 pooling（池化）： 特征聚集、降维（降低维度）、光滑 目的： 降低输出规模 ...
目录
相关文章
|
19天前
|
机器学习/深度学习
TensorFlow
算法框架/工具
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
41
7
7
|
16天前
|
机器学习/深度学习
存储
监控
|
3天前
|
机器学习/深度学习
PyTorch
算法框架/工具
|
7天前
|
机器学习/深度学习
并行计算
测试技术
BiTCN：基于卷积网络的多元时间序列预测
该文探讨了时间序列预测中模型架构的选择，指出尽管MLP和Transformer模型常见，但CNN在预测领域的应用较少。BiTCN是一种利用两个时间卷积网络来编码历史和未来协变量的模型，提出于《Parameter-efficient deep probabilistic forecasting》(2023年3月)。它包含多个由扩张卷积、GELU激活函数、dropout和全连接层组成的临时块，有效地处理序列数据。实验表明，BiTCN在具有外生特征的预测任务中表现优于N-HiTS和PatchTST。BiTCN的效率和性能展示了CNN在时间序列预测中的潜力。
21
1
1
|
9天前
|
机器学习/深度学习
人工智能
算法
|
9天前
|
机器学习/深度学习
自然语言处理
搜索推荐
|
11天前
|
机器学习/深度学习
PyTorch
TensorFlow
【Python机器学习专栏】卷积神经网络（CNN）的原理与应用
【4月更文挑战第30天】本文介绍了卷积神经网络（CNN）的基本原理和结构组成，包括卷积层、激活函数、池化层和全连接层。CNN在图像识别等领域表现出色，其层次结构能逐步提取特征。在Python中，可利用TensorFlow或PyTorch构建CNN模型，示例代码展示了使用TensorFlow Keras API创建简单CNN的过程。CNN作为强大深度学习模型，未来仍有广阔发展空间。
27
0
0
|
13天前
|
机器学习/深度学习
算法
TensorFlow
TensorFlow 2keras开发深度学习模型实例：多层感知器（MLP），卷积神经网络（CNN）和递归神经网络（RNN）
TensorFlow 2keras开发深度学习模型实例：多层感知器（MLP），卷积神经网络（CNN）和递归神经网络（RNN）
6
0
0
|
14天前
|
机器学习/深度学习
数据可视化
数据挖掘
|
15天前
|
机器学习/深度学习
人工智能
自然语言处理