丿回到火星去

浅谈深度神经网络 — R-CNN（区域卷积神经网络）R-CNN->Fast R-CNN->Faster R-CNN

CNN（Convolutional Neural Network，卷积神经网络）引言CNN的出现是因为全连接神经网络无法很好地处理图像数据，主要原因有以下：使用全连接层处理图像最大的问题在于全连接层的参数太多，参数多了除了会导致计算速度变慢，也很容易会导致过拟合问题。所以我们需要一个更加合理的神经网络结构来有效的减少神经网络中的参数个数。卷积神经网络就可以达到这个目的。CNN基本结构输出...

RNN（recurrent neural network，循环神经网络）全连接神经网络和卷积神经网络模型中，网络结构都是从输入层到隐含层再到输出层，层与层之间是全连接或是部分连接的，但每层的节点之间都是无连接的。考虑这样的一个问题，如果要预测句子的下一个单词是什么，一般用到当前单词以及前面的单词，因为句子前后单词并不是孤立的。这个时候像卷积，全连接神经网络已经不满足我们的需要。我们需要刻画一个序...

VGG网络这幅图还是清晰地展现了VGG的网络结构的，VGG由5层卷积层、3层全连接层、最后由softmax输出层构成，层与层之间使用max-pooling（最大化池层）分开，所有隐层的激活单元都采用ReLU函数。（并没有使用LRN，LRN并没有在这个网络中有太大性能提升）模型简介VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的...

AlexNetAlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogLeNet。 这对于传统的机器学习分类算法而言，已经相当的出色。新技术AlexNet中包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。同时Ale...

LeNetLeNet网络模型结构规模比较小，但包含了卷积层，Pooling层，全连接层，他们构成了现代神经网络的基本组件，后续更复杂的网络模型都离不开这些基本的网络层组件。LeNet-5包含输入层在内共有八层，每一层都包含多个参数（权重）。C层代表的是卷积层，通过卷积操作，可以使源信号特征增强，并降低噪音。S层是一个下采样层， 利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量，...