李宏毅深度学习task6

CNN-卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）

CNN 解决了什么问题？

在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：
1、图像需要处理的数据量太大，导致成本很高，效率很低
2、图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高

卷积神经网络-CNN 的基本原理

典型的 CNN 由3个部分构成：
1、卷积层—提取特征
2、池化层—数据降维，避免过拟合
3、全连接层—输出结果
卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果。

CNN 实际应用场景

1、图像分类、检索
2、目标定位检测
3、目标分割
4、人脸识别
5、骨骼识别

CRNN算法

文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。通过CNN将图片的特征提取出来后采用RNN对序列进行预测，最后通过一个CTC的翻译层得到最终结果。说白了就是CNN+RNN+CTC的结构。

链接: Datawhale-李宏毅深度学习
链接: CRNN算法详解
链接: 一文看懂卷积神经网络