本文介绍了深度学习的基础概念，包括CNN结构、卷积运算、池化运算等关键组件，并探讨了监督学习与非监督学习的区别及应用场景，如语义分割与注意力机制。
目录
深度学习：
基于卷积神经网络CNN
监督学习：已知规律，求出已知结果
非无监督学习：未知规律，求规律结果
语义分割：对图像进行对象区别
注意力机制：找到特定对象
网络结构
CNN中的通道channels：代表特征，例如：一般的RGB图片，channels的数量是3（红、绿、蓝）
上采样：放大图像
下采样：缩小图像
CNN结构包含：
卷积运算
本质为矩阵运算
点积：累加积数求和
（输入矩阵*卷积核）的和=输出值
根据步长遍历，得出输出矩阵
输出行/列=（输入行/列-卷积核行/列）/步长+1
池化运算
目的为了减小矩阵大小
分块：选最大值、最小值、平均值
激活函数
Sigmoid:平滑函数
Relu:分段函数
损失函数
选取最优化模型
损失函数越小，模型的鲁棒性便越好
鲁棒性：在异常和危险情况下，抗干扰能力
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
