时间：2022-08-31 16:55:53 来源：www.xiaofamao.com 作者：喵喵
利用神经认知机的思想，LeCun等人于1998年提出了卷积神经网络的现代雏形LeNet。 卷积层对输入的特征图进行卷积操作，提取特征并输出特征图，使神经网络具有共享权重、局部感知的特性。 包括转置、旋转、积、加减法、阿达玛积、克罗内克积、序函数。
在接下来的几十年里，神经网络的研究尽管有过与Minsky对感知器的批评相关的低潮期[4]，但却逐渐向前发展，产生了许多神经网络新模型[5-10]。 不变性卷积神经网络将空间不变性这一概念系统化，根据该模型通过较少的参数学习有用的表示。 卷积神经网络是一种在机器学习中利用自然图像若干已知结构的创造性方法。
1、卷积神经网络入门学习
从卷积核的角度来看，卷积神经网络可以通过采用非常小的卷积核，如11和33，深入到更深的网络中，如16层和19层的VGGNet[54]。 神经网络即由神经元组成的层次系统，其深度为不含输入层的层数。 本章介绍神经网络的起源和发展，说明其形成和演变，分析应用和影响，讨论缺陷和视图，总结平台和工具，总结内容结构和案例数据。
2、卷积神经网络通俗易懂的理解
这些结果于2013年被微软研究院的Abdel-Hamid等人和Deng等人以及IBM研究院的Sainath等人利用改进的卷积神经网络结构、预训练和池化技术扩展到大词汇量语音识别[86-87]。 该生物物理模型综合感觉野思想，可视为特殊的多层传感器或前馈神经网络，具有局部连通、权重共享的特点，其中多个神经元按一定方式组织起来对视场中的重叠区域作出反应。
3、卷积神经网络编程入门
在2017年的目标检测挑战中，Shuai等人将特征金字塔网络和门控双向卷积神经网络相结合，获得了73.14%的平均精度。 年，丁宁等人利用精心设计的卷积神经网络和三层栈自编码器建立了复杂的混合模型，在LFW数据集上获得了99.0%以上的准确率[77]。 卷积神经网络是深度学习中最重要的模型，自2012年以来极大地推动了图像分类、识别和理解技术的发展。
4、卷积神经网络快速入门
事实上，即使训练成功后，卷积神经网络仍然可能弄错了对抗样本。 年，卷积神经网络的发展取得了历史性的突破，Krizhevsky等人提出了以修正线性单元Rectified Linear Unit，ReLU为激活函数的知名AlexNet，并在大规模图像评估中取得了优异的成绩[46]，得到了成功
近年来，卷积神经网络持续向多个方向发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理、脑电图分析方面取得了突破。
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 |