本章详细探讨了神经网络的发展，从卷积神经网络（CNN）的LeNet到AlexNet、VGGNet、GoogLeNet和ResNet的演变，以及循环神经网络（RNN）的LSTM、GRU和双向RNN的进展。通过实例展示了如何在TensorFlow中实现AlexNet，并介绍了TensorFlow Model Zoo和深度学习在艺术领域的应用。
第6章 神经网络的发展及其TensorFlow实现
卷积神经网络（convolutional neural network，CNN）的演进从LeNet到AlexNet，再到VggNet、GoogLeNet，最后到ResNet，演进的方式有一定规律，并且也在ImageNet LSVRC竞赛上用120万张图片、1000类标记上取得了很好的成绩。循环神经网络（recurrent neural networks，RNN）的演进从Vanilla RNN到隐藏层结构精巧的GRU和LSTM，再到双向和多层的Deep Bidirectional RNN。本章主要介绍这些神经网络模型的结构和演化脉络，并且尝试用TensorFlow去构建这些网络，为读者将来自己设计网络或者根据读到的论文构建网络模型打下基础。
6.1 卷积神经网络
卷积神经网络（CNN），属于人工神经网络的一种，它的权值共享（weight sharing）的网络结构显著降低了模型的复杂度，减少了权值的数量，是目前语音分析和图像识别领域研究热点。
在传统的识别算法中，我们需要对输入的数据进行特征提取和数据重建，而卷积神经网络可以直接将图片作为网络的输入，自动提取特征，并且对图片的变形（如平移、比例缩放、倾斜）等具有高度不变形。
那什么是卷积（convolution）呢？卷积是泛函分析中的一种积分变换的数学方法，通过两个函数f和g生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠
订阅专栏 解锁全文
扫一扫
2893
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
