HIT科创无法者-优快云博客

原创神经网络与深度学习第四次课程总结

语义分割是计算机视觉领域的核心技术之一，旨在为图像中的每个像素分配语义标签（如“天空”“汽车”“行人”等）。本文基于课程内容，结合经典模型FCN（Fully Convolutional Networks）和现代方法DeepLab，系统介绍语义分割的核心思想、技术演进及实践方法。反池化（Unpooling）：记录池化时最大值位置，上采样时还原（如SegNet）。条件随机场（CRF）：后处理优化边界细节（如DeepLab v1/v2）。实例分割：区分同一类别的不同实例（如“猫A”和“猫B”）。

2025-05-26 22:08:33 762

原创神经网络与深度学习第三次课程总结

使用双GPU并行训练，使用了两块GTX580显卡进行训练，两块显卡只需要在特定的层进行通信。AlexNet的网络结构共有8层，包含5卷积层+3全连接层，使用了ReLU激活函数、最大池化、Dropout和数据增强等技术。结构：16层（13卷积层+3全连接层），全部使用3×3卷积核和2×2池化，各层的超参数基本相同，整体结构规整。引入ReLU，将其用于卷积层和全连接层之后，解决梯度消失问题，其中ReLu为线性整流函数，手写数字灰度图，28×28像素，6万训练+1万测试，基准任务是图像分类。

2025-05-19 19:08:26 244

原创神经网络与深度学习第二次课程总结

节点”用来表示施加的数学操作，但也可以表示数据输入的起点/输出的终点，或者是读取/写入持久变量的终点。网络中第l层输出:a[l] =f(z[l])，其中z[l]为该层线性输出，若选取作用函数为Sigmoid函数，则可记为:：a[l]= σ(z[l])另外，权值过多易过拟合，优化过程易陷入局部极小值，可以对信息分层处理，每一层在上层提取特征的基础上获取进行再处理，得到更高级别的特征。训练数据，验证数据，测试数据通常按70%，15%，15%或60，20，20分布，数据很多时，训练和验证数据可适当减少。

2025-05-12 22:53:29 743

原创神经网络与深度学习第一次课程总结

如果每一个神经元都连接到上一层的所有神经元（除输入层外），则成为全连接网络。网络结构： 𝐮（或𝐱 ）、 𝐲是网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层（图中是单隐层），前层至后层节点通过权联接。数据基础，算法引擎和计算平台奠定了人工智能崛起的三大基石，计算机视觉，机器学习，图像识别，语言识别，机器人，自然语言处理是人工智能发展的6大关键技术。多层前馈网络的反向传播（BP）学习算法，简称BP算法，是有导师的学习，它是梯度下降法在多层前馈网中的应用。

2025-05-05 19:54:33 773