深度学习和神经网络

本文深入探讨了深度学习的三要素:数据、操作和损失,并详细解析了神经网络的结构和复杂性,包括全连接神经网络和卷积神经网络(CNN)的特点。讨论了在构建网络时的数据增强、小滤波器的使用以及网络微调的重要性。同时,介绍了分类、检测和分割任务的深度学习解决方案,如SPP层、SSD、R-FCN和Faster R-CNN等。

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

一、深度学习三要素(data,operation,loss)
深度学习就是如何拟合数据的学科,神经网络有足够多的层或单元就可以拟合任何函数
data: the source of knowledge(supervision)
operation: the space of growth(learning parameters),设计好定义函数空间,在初始化前提下,根据训练数据让函数逐渐接近数据想让他长成的样子
loss: the goal of fitting(final outputs),输出目标对齐

二、描述网络
Network shape
layer: 层,相同神经元构成的整体
scale:尺度,the width and height of a layer-for input the original image size
width: 宽度,the number of channels in a layer
depth: 深度,the number of layers

Network complexity
model size: 训练参数数量
model complexity:浮点数运算,FLOPs是计算量,FLOPS是运算时间
receptive:感受野,网路传至某一层时,在这一层中任何神经元能够看到输入至图像中多大的范围,看到的范围越大,该神经元表达的语义信息就越丰富。但神经元可能受到噪声影响,所以很敏感

三、神经网络
1,全连接神经网络Fully-connected Neurons
input: WxHxDx
output: WyHyDy
connectivity:every pair of neurons in X and Y is connected
parameters: WxHxDxWyHyDy
FLOPs: Wx
HxDxWyHyDy
Peceptive field size:Wx*Hx

2,Lene

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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