机器学习笔记 - 卷积神经网络基础知识备忘清单

已于 2023-12-08 11:43:53 修改
阅读量223 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习从入门到精通 文章标签： cnn 机器学习 深度学习 Neural detection
于 2022-06-11 06:15:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/bashendixie5/article/details/125200914
本文深入探讨卷积神经网络（CNN），包括CONV、POOL和FC层的详细解释，过滤器的超参数如尺寸、步幅和零填充。讨论了CNN在对象检测、人脸识别和神经风格迁移等领域的应用，涉及YOLO、R-CNN等模型。同时，涵盖调整超参数、学习率和常用激活函数ReLU与Softmax的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、概述

        传统 CNN 的架构卷积神经网络，也称为 CNN，是一种特定类型的神经网络，通常由以下层组成：

二、层的主要类型

1、Convolution layer (CONV)

        卷积层 (CONV) 在扫描输入I的维度时使用执行卷积操作的过滤器。它的超参数包括滤波器大小 F 和步幅 S。 生成的输出 O 称为特征图或激活图。

了解本专栏 订阅专栏 解锁全文
机器学习笔记 - 什么是支持向量回归(SVR)？
学以致用 知行合一
04-14 5万+
SVM 回归算法称为支持向量回归或SVR。支持向量回归是一种监督学习算法，用于预测离散值。支持向量回归使用与 SVM 相同的原理。SVR 背后的基本思想是找到最佳拟合线。在 SVR 中，最佳拟合线是点数最多的超平面。 ​ SVR将输入的数据的原始空间映射到更高维的特征空间，通常通过非线性高斯核函数实现。在特征空间中，问题变成了拟合数据的最优线性平面的构造。
机器学习笔记 - 什么是高斯混合模型(GMM)？
学以致用 知行合一
05-21 5万+
高斯混合模型 (GMM) 是一种机器学习算法。它们用于根据概率分布将数据分类为不同的类别。高斯混合模型可用于许多不同的领域，包括金融、营销等等！这里要对高斯混合模型进行介绍以及真实世界的示例、它们的作用以及何时应该使用GMM。 高斯混合模型 (GMM) 是一个概率概念，用于对真实世界的数据集进行建模。GMM是高斯分布的泛化，可用于表示可聚类为多个高斯分布的任何数据集。 高斯混合模型是一种概率模型，它假设所有数据点都是从具有未知参数的...
pytorch中Conv1d、Conv2d与Conv3d详解
最新发布
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 3万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
卷积神经网络学习笔记（一）
Zoe的技术博客
11-05 5131
CNNs学习笔记一 基本原理1） 反向传导算法 在机器学习中，给定了测试数据集后经过一个模型后得到的一个实际输出数据集，为了刻画实际值与理想值之间的关系，我们定义了一个代价函数，有时也叫损失函数： 下图为神经网络的一般模型： 前向传导即根据每个神经元的权值来推导出下一个神经元的权值。对于一个神经网络，给出输入（x,y）后我们首先要进行“前向传导”运算，计算出网络中所有的激活函数值，包括最
总结了200道经典的机器学习面试题（附参考答案）
small-guo
07-01 8270
刷题，是面试前的必备环节。本文总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。本文根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。扩展：支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机
总结了 200 道 BAT 机器学习面试题，值得收藏 (附参考答案)
Python数据挖掘
12-06 1738
刷题，是面试前的必备环节。本文作者总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。本文作者根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫
200道BAT机器学习面试题分享
Mr.Ma-master
11-11 2357
来源：优快云 作者：qinjianhuang 整理编辑：Mr.Ma-master 导读 刷题，是工作面试前的必备环节。小编根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。干货满满，值得收藏。精选了200道题目并整理编辑如下： 原文作者整理的1000道链接附在最后，供参考。 题目 1.请简要介绍下SVM。 SVM，全称是support vector machine，...
BAT机器学习面试1000题系列
热门推荐
HuangQinJian
12-14 19万+
几点声明： 1、本文的内容全部来源于七月在线发布的BAT机器学习面试1000题系列； 2、文章中带斜体的文字代表是本人自己增加的内容，如有错误还请批评指正； 3、原文中有部分链接已经失效，故而本人重新加上了新的链接，如有不当，还请指正。（也已用斜体标出） 4、部分答案由于完全是摘抄自其它的博客，所以本人就只贴出答案链接，这样既可以节省版面，也可以使排版更加美观。点击对应的问题即可跳转。
机器学习算法总结
weixin_40411446的博客
08-19 8374
~~~~~·个人整理，如需转载，请说明并备注，不甚感激~~~~~~ （这篇文章我很早发布在简书上，不用简书好多年了，哈哈哈，居然上了热搜，特复制在优快云上供大家参考，为秋招攒点人品）suxuer简书原文地址 BAT机器学习面试系列 1.请简要介绍下SVM。 SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个...
算法工程师（机器学习）部分面试题（转载参考）
家有代码初写成 的博客
01-27 8483
其他参考：https://www.jianshu.com/p/980efc8105b2?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation https://www.jianshu.com/p/4a7f7127eef1?utm_campaign=male...
机器学习知识点
mxs30443的专栏
03-14 1万+
机器学习知识点 转载自https://blog.youkuaiyun.com/v_july_v/article/details/78121924整理：July、元超、立娜、德伟、贾茹、王剑、AntZ、孟莹等众人。本系列大部分题目来源于公开网络，取之分享，用之分享，且在撰写答案过程中若引用他人解析则必注明原作者及来源链接。另，不少答案得到寒小阳、管博士、张雨石、王赟、褚博士等...
机器学习笔记 - 什么是UMAP？
学以致用 知行合一
04-25 2万+
统一流形逼近和投影 (UMAP) 是一种降维技术，可用于类似于 t-SNE 的可视化，但也可用于一般的非线性降维。UMAP 是一种基于流形学习技术和拓扑数据分析思想的降维算法。它为处理流形学习和降维提供了一个非常通用的框架，但也可以提供具体的具体实现。   该算法基于对数据的三个假设：   数据均匀分布在黎曼流形上；   黎曼度量是局部常数（或可以近似）；   歧管是本地连接的。   根据这些假设，可以用模糊拓扑结构对流形进行建模。通过搜索具有最接近的等效模糊拓扑结构的数据的低维投影来
MATLAB学习笔记 imagesc函数使用
学以致用 知行合一
01-12 1万+
imagesc(C)将数组中的数据显示 C为使用颜色图中的全部颜色范围的图像。的每个元素C指定图像的一个像素的颜色。所得到的图像是一个 m-by-n像素的网格，其中 m是的行数和n在列数C。元素的行和列索引决定了相应像素的中心。
计算机视觉 - 什么是图像配准？
学以致用 知行合一
05-07 1万+
图像配准是叠加两个或多个来自不同来源、在不同时间和角度拍摄的图像的过程。图像配准过程是一种自动或手动操作，它试图发现两张照片之间的匹配点并在空间上对齐它们以最小化所需的误差，即两幅图像之间的统一邻近度测量。医学、遥感和计算机视觉都使用图像配准。 一旦在图片之间建立了对应关系，通常可以简单地调节或处理对两张或多张照片之间的联系的研究。建立这种相关性的过程称为图像配准。
OCR - 微软windows 11系统自带的Windows OCR功能初体验
学以致用 知行合一
09-25 1万+
Windows 11 允许用户通过预装的 Power Automate 应用创建自动化。Power Automate 是一个低代码平台，使家庭和企业用户能够优化他们的工作流，自动执行重复且耗时的任务。任何 Windows 用户都可以在几乎没有编码经验的情况下构建流。超过 400 个预建操作的集合和一个捕获鼠标和键盘功能的记录器，使 RPA 对普通用户和高级用户来说都很简单直接。更多详细信息见下面官方链接。
机器学习笔记 - 矩阵乘法
学以致用 知行合一
04-12 1万+
矩阵相乘的标准方法不是将一个矩阵的每个元素与另一个矩阵的每个元素相乘（称为元素乘积），而是计算行和列之间的乘积之和。矩阵积，也称为点积。 第一个矩阵的列数必须等于第二个矩阵的行数。如果第一个矩阵的维度是(m×n)，则需要第二个矩阵的维度必须为(n×x)，得到的结果矩阵的维度为(m×x)。
机器学习笔记 - 自动编码器autoencoder
学以致用 知行合一
03-27 9923
自编码器是开发无监督学习模型的主要方式之一。但什么是自动编码器？ 简而言之，自动编码器通过接收数据、压缩和编码数据，然后从编码表示中重构数据来进行操作。对模型进行训练，直到损失最小化并且尽可能接近地再现数据。通过这个过程，自动编码器可以学习数据的重要特征。 自动编码器是由多个层组成的神经网络。自动编码器的定义方面是输入层包含与输出层一样多的信息。输入层和输出层具有完全相同数量的单元的原因是自动编码器旨在复制输入数据。然后分析数据并以无监督方式重建数据后输出数据副本。
机器学习笔记 - 什么是置信区间？
学以致用 知行合一
04-12 9381
想象一下，您正试图找出有多少程序员在过去一年中至少休了两周的假期。您可以向每个程序员询问他或她的假期安排以获得答案，但这从时间和费用角度看几乎不太可能。 为了节省时间和金钱，您可能会调查一小部分程序员。但是，如果您调查了所有程序员，您的发现可能与实际值不同。也就是说，这将是一个估计。每次重复调查时，您可能会得到略有不同的结果。 通常，当研究人员提出这种类型的估计时，他们会在其周围放置一个置信区间 (Confidence Interval，CI)。CI 是一个值范围，高于......
机器学习笔记 - HaGRID—手势识别图像数据集简介
学以致用 知行合一
06-22 9103
在本文中，我们介绍了一个用于手势识别（HGR）系统的庞大数据集 Ha-GRID（HAnd Gesture Recognition Image Dataset）。该数据集包含 552,992 个样本，分为 18 类手势。注释由带有手势标签的手的边界框和领先手的标记组成。提议的数据集允许构建 HGR 系统，该系统可用于视频会议服务、家庭自动化系统、汽车行业、为有语言和听力障碍的人提供的服务等。我们特别关注与设备的交互以管理它们。这就是为什么选择的所有 18 个手势都是功能性的、大多数人熟悉的.........
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用，请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值