吴恩达《卷积神经网络》课程总结

最新推荐文章于 2024-04-03 21:38:56 发布
原创 最新推荐文章于 2024-04-03 21:38:56 发布 · 641 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

本文总结了卷积神经网络的基础知识与应用实践，包括边缘检测、池化层、经典网络结构如ResNet与Inception，以及在物体检测、人脸识别等领域的实际案例。

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

Note

This is my personal summary after studying the course, convolutional neural networks, which belongs to Deep Learning Specialization. and the copyright belongs to deeplearning.ai.

My personal notes

1st  week: 01_foundations-of-convolutional-neural-networks

  • 01_computer-vision
  • 02_edge-detection-example
  • 03_more-edge-detection
  • 04_padding
  • 05_strided-convolutions
  • 06_convolutions-over-volume
  • 07_one-layer-of-a-convolutional-network
  • 08_simple-convolutional-network-example
  • 09_pooling-layers
  • 10_cnn-example
  • 11_why-convolutions

2nd  week: 02_deep-convolutional-models-case-studies

  • 01_case-studies
    • 01_why-look-at-case-studies
    • 02_classic-networks
    • 03_resnets
    • 04_why-resnets-work
    • 05_networks-in-networks-and-1x1-convolutions
    • 06_inception-network-motivation
    • 07_inception-network
  • 02_practical-advices-for-using-convnets
    • 01_using-open-source-implementation
    • 02_transfer-learning
    • 03_data-augmentation
    • 04_state-of-computer-vision

3rd  week: 03_object-detection

  • 01_object-localization
  • 02_landmark-detection
  • 03_object-detection
  • 04_convolutional-implementation-of-sliding-windows
  • 05_bounding-box-predictions
  • 06_intersection-over-union
  • 07_non-max-suppression
  • 08_anchor-boxes
  • 09_yolo-algorithm
  • 10_optional-region-proposals

4th  week: 04_special-applications-face-recognition-neural-style-transfer

  • 01_face-recognition
    • 01_what-is-face-recognition
    • 02_one-shot-learning
    • 03_siamese-network
    • 04_triplet-loss
    • 05_face-verification-and-binary-classification
  • 02_neural-style-transfer
    • 01_what-is-neural-style-transfer
    • 02_what-are-deep-convnets-learning
    • 03_cost-function
    • 04_content-cost-function
    • 05_style-cost-function
    • 06_1d-and-3d-generalizations

 

My personal programming assignments

1st week: Convolution model Step by Step
2nd week: Keras Tutorial Happy House, Residual Networks
3rd week: Autonomous driving - Car detection
4th  week: Deep Learning & Art Neural Style Transfer, Face Recognition for the Happy House

吴恩达《深度学习-卷积神经网络》1--卷积神经网络
weixin_41043240的博客
02-19 3110
1. Computer Vision计算机视觉包括：  --图片分类（图片识别）Image classification  --目标检测 object detection  --神经风格迁移 neural style transfer，如合成图片创造新的艺术风格计算机视觉面临的一个挑战是输入数据较大，这就带来两个问题，一是神经网络复杂，参数较多，容易发生过拟合，二是计算量大所需内存也多，解决方法就...
卷积神经网络CNN详解（李宏毅-卷积神经网络课程笔记总结）
Tong_jy的博客
05-01 1102
墙裂推荐完整的观看学习课程，内容非常详实且不枯燥。 李宏毅 - Convolution Neural Network(CNN) - 卷积神经网络 备注：这篇博客内容完全不足以概括完整的课程内容，且距学习已过（tuo）去（yan）了一个月，记忆有些褪色，因此只整理总结了部分基（hai）础（ji）核（de）心（de）内容 CNN结构 Convolution Layer（卷积层） 1.卷积层是什么 2...
卷积神经网络课程报告
05-09
卷积神经网络课程报告
吴恩达-深度学习-卷积神经网络课后作业（quiz+编程作业）
09-04
吴恩达老师的深度学习课程的第四部分——卷积神经网络的课后作业，四周作业（包括课后的quiz和编程作业）都在里面，是搬运别人的资源，自己做了，感觉很不错。当时找资源时，各种痛苦，也受到了好心人的帮助，没有恶意抬高资源分数且内容全面。希望大家学习快乐~~
卷积神经网络报告
03-22
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。
吴恩达卷积神经网络 笔记,吴恩达 深度神经网络
ynca67269的博客
08-19 864
作为人工智能成果的集大成者，无人车在机器学习领域仍有很大发展空间，吴恩达在演讲中描述了无人驾驶的传统模型：通过图片观测附近的车(cars)与行人(pedestrians)，计算出该有的路径规划(plan)，然后通过公式/规则判断出应该进行的下一步行动(steering)，如果可以直接把图片处理成最终的操作指令可以指数级提高反应速度，带来效率提升。我们力所能及的，算是“弱人工智能”（NarrowAI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。这些技术有人类智能的一面。
吴恩达卷积神经网络笔记,吴恩达人工智能公开课
aifamao3的博客
09-09 586
也就是说，学生个体经验与人类历史知识不是对立、矛盾的，而是相互关联的，教师要找到它们的关联处、契合处，通过引导学生主动“联想与结构”的活动，让学生的经验凸显意义，让外在于学生的知识与学生建立起生命联系，使经验与知识相互滋养，成为学生自觉发展的营养。在这个过程中，学生掌握学科的核心知识，理解学习的过程，把握学科的本质及思想方法，形成积极的内在学习动机、高级的社会性情感、积极的态度、正确的价值观，成为既具独立性、批判性、创造性又有合作精神、基础扎实的优秀的学习者，成为未来社会历史实践的主人”。
吴恩达深度学习 | (16) 卷积神经网络专项课程第一周学习笔记
sdu_hao的博客
12-04 1466
课程视频 第一周PPT汇总 吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第四部分卷积神经网络专项的第一周课程：卷积神经网络。 目录 1. 计算机视觉 2. 边缘检测示例 3. 更多边缘检测内容 4. Padding 5. 卷积步长 6. 三维卷积 7. 单层卷积网络 8. 简单卷积网络示例 9. 池化层 10. 卷积神经网络示例 11. 为什么使用卷积？ 1....
吴恩达卷积神经网络ppt,神经网络模型激活函数
aifamao3的博客
09-16 222
也就是说，学生个体经验与人类历史知识不是对立、矛盾的，而是相互关联的，教师要找到它们的关联处、契合处，通过引导学生主动“联想与结构”的活动，让学生的经验凸显意义，让外在于学生的知识与学生建立起生命联系，使经验与知识相互滋养，成为学生自觉发展的营养。在这个过程中，学生掌握学科的核心知识，理解学习的过程，把握学科的本质及思想方法，形成积极的内在学习动机、高级的社会性情感、积极的态度、正确的价值观，成为既具独立性、批判性、创造性又有合作精神、基础扎实的优秀的学习者，成为未来社会历史实践的主人”。
神经网络 卷积神经网络,卷积神经网络 吴恩达
aifans_bert的博客
08-21 1507
深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机[2]，而人工神经网络的历史更为久远。1989年，燕乐存（YannLeCun）等人开始将1974年提出的标准反向传播算法[3]应用于深度神经网络，这一网络被用于手写邮政编码识别。尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用[4]。
卷积神经网络PPT
05-09
介绍卷积神经网络
卷积神经网络 入门介绍 展示PPT
05-01
卷积神经网络 入门介绍 展示PPT 深度学习 CNN
吴恩达卷积神经网络课件与笔记
12-22
自己整理的吴恩达深度学习第四课（卷积神经网络）的课件，大家一起深度学习吧。
卷积神经网络(CNN)的17篇有影响力的论文题目和创新点介绍
11-29
整理了从2012年到2017年15篇国际顶级会议的卷积神经网络(CNN)的架构论文，并注明了每篇论文的创新点。需要注意的是：只是整理了论文题目，并没有下载地址，下载者可以根据题目下载对应的论文。
吴恩达深度学习课程四：卷积神经网络（学习笔记）
helloworld_Fly的博客
11-07 867
1.传统边缘检测 实行卷积操作，传统图像边缘检测一般使用卷积操作。 方法为：使用f*f大小的过滤器与输入相乘并累加，通过在输入数据上滑动操作，实现卷积过程。               可水平检测也可垂直检测，过滤器参数需要手工设定，检测能力有限。 2.卷积神经网络 分为：卷积层、池化层、全连接层和分类器. 特点：将过滤器中参数作为变量，与输入进行卷积操作，从而
2.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
赵继超的笔记
04-27 2767
总结 习题 第 111 题 在典型的卷积神经网络中，随着网络的深度增加，你能看到的现象是？ A. nHn_HnH​ 和 nWn_WnW​ 增加，同时 ncn_cnc​ 减少 B. nHn_HnH​ 和 nWn_WnW​ 减少，同时 ncn_cnc​ 也减少 C. nHn_HnH​ 和 nWn_WnW​ 增加，同时 ncn_cnc​ 也增加 D. nHn_HnH​ 和 nWn_WnW​ 减少，同时 ...
cs231n 课程学习 四——卷积神经网络
Jcyoung 的博客
02-11 343
介绍了卷积神经网络的基础知识
神经网络与深度学习课程总结(二)——卷积神经网络
最新发布
qq_40509664的博客
04-03 2010
这16个卷积核分别是下图中的3，4，6通道的卷积核，输出图像的大小为10*10*16.训练的参数有6*[5*5*3+1]+9*[5*5*4+1]+1*[5*5*6+1]=1516;第二层S2：池化层2*2步长2，下采样，输入28*28*6输出为14*14*6;14*14*6*(2*2+1)=5880个连接。第四层S4：同S2操作，池化层2*2步长2，输入为10*10*16，输出为(10-2+2)/2=5*5*16,参数为16*2=32个，连接为5*5*16*(2*2+1)=2000。
Coursera吴恩达《卷积神经网络》课程笔记-- 卷积神经网络
Linias的博客
09-10 904
卷积神经网络 — 卷积神经网络基础 1. 计算机视觉 计算机视觉（Computer Vision）包含很多不同类别的问题，如图片分类、目标检测、图片风格迁移等等。 对于小尺寸的图片问题，也许我们用深度神经网络的结构可以较为简单的解决一定的问题。但是当应用在大尺寸的图片上，输入规模将变得十分庞大，使用神经网络将会有非常多的参数需要去学习，这个时候神经网络就不再适用。 卷积神经网络在计算机...
评论
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