【深度学习经典论文】Backpropagation applied to Handwritten zip code recognition ----LeCun

最新推荐文章于 2024-10-24 13:21:31 发布
最新推荐文章于 2024-10-24 13:21:31 发布
阅读量8.9k 收藏 32
点赞数 5
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012679707/article/details/80738633
版权
本文详细注解了LeCun的CNN经典论文，阐述了反向传播算法如何在手写邮政编码识别任务中发挥作用。文中介绍了数据预处理、网络设计（包括输入输出、特征映射和权重共享）以及实验结果，与其它工作进行了对比，并讨论了DSP实现的可能性。

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

   【深度学习】Backpropagation applied to Handwritten zip code recognition ----LeCun

    此篇注解LeCun的CNN名作，主要讲述了反向传播算法在手写邮政编码识别中的应用

    作者：小萨

    转载请注明出处：https://blog.youkuaiyun.com/u012679707/article/details/80738633


一.整篇结构

    1.introduction
    2.zip codes
          2.1 data base
          2.2 preprocessing
     3.Network Design
          3.1 input and output
          3.2 Feature map and Weight sharing
          3.3 Network architecture
    4.Experiment environment
    5.Results
          5.1 comparision with other work
          5.2 DSP implementation

    6.Conc

最低0.47元/天 解锁文章
目标检测经典论文——Faster R-CNN论文翻译（纯中文版）：Faster R-CNN：通过Region Proposal网络实现实时目标检测
bigcindy的博客
08-02 7989
目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[FastR-CNN中英文对照版] Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun 摘要 最先进的目标检测网络依靠region proposal算法来推理检测目标的位置。SPPnet[1]和Fast R-CNN[2]..
全网最新！| 深度学习发展史（1943-2024编年体）（The History of Deep Learning）
机器学习，生物信息学学习笔记。linux和python技巧分享。
05-20 1万+
深度学习是人工智能领域的一个重要分支，它在图像识别、语音识别、自然语言处理等方面取得了显著的进展。学习任一门知识都应该先从其历史开始，把握了历史，也就抓住了现在与未来 。那么深度学习到底是经历了一段怎样的发展过程呢？下面我们就来了解一下深度学习发展史。
[CV论文填坑]：Backpropagation applied to Handwritten zip code recognition(Yan LeCun)
先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本/工具书
03-29 2268
[CV论文填坑]： 论文标题：Backpropagation applied to Handwritten zip code recognition(Yan LeCun), 1989 文章大意：将BP算法应用到手写邮政编码识别 文章链接：http://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdf 备用链接：https://download.csdn.n...
文献翻译：Backpropagation applied to handwritten zip code
superlu_Eliane的博客
06-21 1522
Abstract：The ability of learning networks to generalize can be greatly enhanced by providing constraints from the task domain. This paper demonstrates how such constraints can be integrated into a backpropogation network through the architecture of the ne.
Backpropagation Applied to Handwritten Zip Code阅读
Zhaohui1995_Yang的专栏
05-20 2702
很古老的一篇论文，那时候的评价指标还是有的accuracy和MSE，那时候的激活函数还是htan，一切都很古老。 应用在了邮编的识别上，不过提取邮编的位置和数字并且缩小成16x16不是这篇文章的主要工作，主要是识别16x16的数字。 不过卷积的思想流传了下来。 参考文献： Lecun Y, Boser B E, Denker J S, et al. Backpropag
backpropagation
zhiwei2coder的博客
11-11 302
Wi=Wi−α∗dWi→min(L)W^i = W^i - \alpha*dW^i \to min(L) L=(Y−Ŷ )2L = (Y - \hat{Y})^2 where Ŷ \hat Y is the ground truth Y=φ(W3Y2)=φ(z)Y = \varphi(W^3Y^2) = \varphi(z) z(W,Y)=WYz(W, Y) = WY Y2=f(
深度学习经典论文保姆级带读！LeNet开山之作，CNN早期经典论文《Handwritten Digit Recognition with a Back-Propagation Network》
最新发布
liaoziqiang的博客
10-24 2570
这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部署于硬件，展示了其实际应用中的高效性和潜力。这项研究在深度学习领域具有重要意义。
深度学习经典论文合集含部分翻译
12-03
首先，我们要提到的是Yann LeCun等人在1989年发表的《Backpropagation Applied to Handwritten Zip Code Recognition》。这篇论文首次将反向传播算法应用到手写数字识别任务上，为卷积神经网络（CNN）的发展奠定了...
深度学习、模式识别祖师爷论文。1989年
artistkeepmonkey的博客
01-06 813
Backpropagation applied to handwritten zip code recognition. 点击跳转 http://yann.lecun.org/exdb/publis/pdf/lecun-89e.pdf 本文1989年发表，提出使用神经网络、反向传播等技术解决手写数字识别任务。 文章介绍的非常详细，毫无夸大之词（与现在的论文对比）。 不说了 牛逼666 ...
深度学习经典文献打包文献
08-21
文档包含： 1. 图像物体分类与检测算法综述 黄凯奇 , 任伟强 , 谭铁牛 2. BP算法的提出《Learning Internal Representations by Error Propagation》 Hinton等 1986 3. CNN雏形《Backpropagation applied to handwritten zip code recognition》 Y.leCun等 1989 4. LetNet-5模型《Gradient-based learning applied to document recognition》 Y.leCun等 1998 5. Hinton惊世骇俗之作《Reducing the dimensionality of data with neural networks》 Hinton等 2006 6. CNN在ImageNet崭露头角《Imagenet classification with deep convolutional neural networks》 Alex Krizhevsky等 2012 7. DeepFace 《DeepFace-Closing the Gap to Human-Level Performance in Face Verification》 Yaniv Taigman等 2014 8. 《Deep learning face representation by joint identification-verification》 Xiaoou Tang组 2014 9. 《Deep Learning Face Representation from Predicting 10,000 Classes》 Xiaoou Tang组 2014 10.《Deeply learned face representations are sparse, selective, and robust》 Xiaoou Tang组 2014 11. 深度学习领域三大神合作《Deep Learning.Nature.2015》 Hinton，Y.leCun，Yoshua Bengio 2015 12. 另附知乎大神YJango的书籍《YJango-超智能体》
知乎助手1.7.1.8
12-20
知乎助手,用来提供知乎网站各种内容的工具。
04Backpropagation.pdf
04-19
04Backpropagation.pdf
2019.04.15-2019.04.21文献阅读笔记
qq_31049727的博客
04-22 401
泛读文献： 1989_NC_LeCun_Backpropagation applied to handwritten zip code recognition 经典文章，第一次将反向传播算法应用于神经网络上。核心设计思路在于：尽可能减少free number的数量，而无需过多减少计算量。 另外，文章提出直接用归一化后的图片输入给网络，而不是将提取过特征的图片输入，证明了反向传播能够处理大量lo...
卷积神经网络-LeNet复现
weixin_54659638的博客
02-11 368
卷积神经网络LeNet复现，不使用
神经网络早期发展论文总结
Ziy的博客
08-13 2639
从猫的脑皮层实验到Yan LeCun大神的LeNet-5，其中参考了多篇优秀博客
反向传播在手写邮政编码识别的应用
08-14 254
随着技术的不断发展，我们有理由期待手写邮政编码识别在自动化邮寄和物流领域的广泛应用，为人们提供更便捷、高效的服务。同时，继续改进反向传播算法和结合其他相关技术，将进一步提升手写邮政编码识别的准确性和鲁棒性，推动该领域的进一步创新与发展。当我们填写邮寄地址时，正确识别和输入邮政编码是非常关键的。数据集扩充：构建更加多样化和真实世界场景的手写邮政编码数据集，以便更好地训练和评估算法，提高模型的适应能力。字符重叠和连接：由于连续书写和字符之间的接触，手写邮政编码中的数字可能相互重叠或连接，增加了识别的复杂性。
深度学习卷积神经网络大事件一览
热门推荐
陈俊岭的程序员之路（公众号求关注，方便交流）
04-11 5万+
　　深度学习（DeepLearning）尤其是卷积神经网络（CNN）作为近几年来模式识别中的研究重点，受到人们越来越多的关注，相关的参考文献也是层出不穷，连续几年都占据了CVPR的半壁江山，但是万变不离其宗，那些在深度学习发展过程中起到至关重要的推动作用的经典文献依然值得回味，这里依据时间线索，对CNN发展过程中出现的一些经典文献稍作总结，方便大家在研究CNN时追本溯源，在汲取最新成果的同时不忘经...
【卷积神经网络发展历程】从LeNet、AlexNet到ResNet、SENet
gogo小Sa的专栏
06-30 2万+
    经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等手工设计的特征盖过。随着ReLU和dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年迎来了历史突破–AlexNet，从此CNN呈现爆炸式发展。     从此，Deep Learning一发不可收拾，ILSVRC每年都不断被Deep Learning刷榜，如图1所示，随着模型变得越来越深，Top-5...
go-deep深度解析：人工神经网络的实现与应用
尽管Go语言在深度学习领域的知名度不如Python等语言，但go-deep等库的出现展示了Go语言在构建高性能深度学习应用的潜力。 知识点十：辍学（Dropout）和批量归一化（Batch Normalization） 辍学是一种正则化技术，...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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