本文详细介绍了深度学习中的卷积神经网络（CNN）原理，涵盖了基本概念如协方差矩阵、线性与非线性、似然函数、凹凸函数、梯度下降法，以及激活函数和反向传播算法。深入讲解了CNN的整体网络结构，包括卷积层、池化层、局部响应归一化、全连接层等，同时讨论了参数初始化、更新和调优的方法。还提到了AlexNet、VGGNet等经典模型，并解答了关于CNN的常见疑问。
https://blog.youkuaiyun.com/xiake001/article/details/78403482
基本概念
协方差矩阵
线性与非线性
“线性”=”齐次性”+”可加性”,
“齐次性”是指类似于: f(ax)=af(x),
“可加性”是指类似于: f(x+y)=f(x)+f(y),
这里没有太多特别的原因, 就是一个名字. “非线性”当然就是这两条至少之一不成立.
似然函数
如何理解似然函数?
贝叶斯公式的直观理解(先验概率/后验概率)
详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解
凹凸函数
定义
若这里凸集C即某个区间I，那么就是：设f为定义在区间I上的函数，若对I上的任意两点 和任意的实数 ，总有
则f称为I上的凸函数，当且仅当其上境图（在函数图像上方的点集）为一个凸集。
判定
对于实数集上的凸函数，一般的判别方法是求它的二阶导数，如果其二阶导数在区间上非负，就称为凸函数。（向下凸）
如果其二阶导数在区间上恒大于0，就称为严格凸函数。
梯度下降法
[机器学习] ML重要概念：梯度（Gradient）与梯度下降法（Gradient Descent）
梯度下降（Gradient Descent）小结
激活函数
反向传播算法
1.重点参考：一文弄懂神经网络中的反向传播法——BackPropagation
2.如何理解神经网络里面的反向传播算法？
3.反向传播算法（过程及公式推导）
监督与非监督学习
主成分分析（Principal Components Analysis，PCA）
PCA是用来数据降维的。思想是：假设nxn的矩阵A，有协方差矩阵B，计算B的n个特征值和特
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
