时间：2022-08-31 16:55:52 来源：www.xiaofamao.com 作者：喵喵
CNN的一个卷积层通常包含几个特征平面( featureMap )，每个特征平面由几个矩形排列的神经元构成，同一特征平面的神经元共享权重，这里共享的权重是卷积核每次标准的Dropout迭代，网络内的各神经元都以p的概率被丢弃。 特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使特征映射具有位移不变性。
最后在大量的数据训练之后，神经网络错误地将这些图像分类成狗一样。 请注意，该模型采用了2-GPU并行结构。 也就是说，第1、2、4、5卷积层都在训练模型参数，分为两个部分。 如下图所示，浅层网络层的感知区域小，可以学习输入数据的局部域特征(例如图像物体的颜色、几何形状等)； 深层网络层具有较大的感知域，可以从输入数据中学习更抽象的特征(例如，图像物体的属性、轮廓特征、位置信息等高维性质)。
1、卷积神经网络可以应用在什么领域
从神经网络的权修正策略得知，一个连接权的更新量是其连接的前层神经元的兴奋输出乘以后层神经元的输入错误信号，卷积核的更新也按照该规律进行。
2、卷积神经网络使用场景
正文翻译： https://www.Jian Shu.com/p/8b 6446181 a52机器学习发展到今天。 得益于计算机视觉、自动控制、图像识别、语音识别、自然语言处理、语音识别等领域的创新和广泛应用，与近几年样本和神经网络的训练过程不同，他用固定的权重更新输入数据。
3、卷积神经网络它的主要用途是什么
一方面，该网络模型的特点是训练数据集进行图像特征学习，避免了显式的特征提取，另一方面，由于图像上同一特征图面上的神经元权重相同，卷积神经网络模型并行训练卷积层误差更新过程将误差矩阵视为卷积核，将输入的特征图进行卷积，得到加权偏差矩阵，与原始卷积核的权重相加，得到更新后的卷积核。
4、卷积神经网络主要用于图像识别
研究人员开发了基于忆阻阵列芯片卷积网络的完整硬件实现，在大幅提高计算能力的同时更小的功耗，更低的成本。 因此，在上面的图中，从四个信道卷积得到两个信道的过程中，参数的数量为4222个，其中4表示四个信道，首先第二个表示生成两个信道，最后的22表示卷积核激发层：卷积也是线性运算，因此需要增加非线性映射。 他的输入是224x224的三通道图像，经过两层卷积，图像维数不变，通道数增加到64。
自此，卷积神经网络对图像分类起到了一定的作用，其中手写字体( Hand Written )的识别率超过了人类的识别率，达到了99.9%。
猜你喜欢
| ·ChatGPT的实现原理基于什么技术 |
| ·如何使用ChatGPT【使用指南】 |
| ·论文降重软件哪个好 |
| ·轻松上哈佛，ChatGPT让国际著名大学感到焦 |
| ·小发猫AI智能文章改写软件 |