1. <strong id="7actg"></strong>
    2. <table id="7actg"></table>

    3. <address id="7actg"></address>
      <address id="7actg"></address>
      1. <object id="7actg"><tt id="7actg"></tt></object>

        筆記|李宏毅老師機(jī)器學(xué)習(xí)課程,視頻19卷積神經(jīng)網(wǎng)絡(luò)

        共 1896字,需瀏覽 4分鐘

         ·

        2021-06-13 00:00

         是新朋友嗎?記得先點(diǎn)數(shù)據(jù)科學(xué)與人工智能關(guān)注我哦~


        《學(xué)習(xí)筆記》專欄·第22篇

         | MLer

        1145字 | 4分鐘閱讀

        【數(shù)據(jù)科學(xué)與人工智能】開通了機(jī)器學(xué)習(xí),大家可以相互學(xué)習(xí)和交流。請(qǐng)掃描下方二維碼,備注:姓名-ML,添加我為好友,誠(chéng)邀你入群,一起進(jìn)步。

        感謝李宏毅老師的分享,他的課程幫助我更好地學(xué)習(xí)、理解和應(yīng)用機(jī)器學(xué)習(xí)。李老師的網(wǎng)站:

        http://speech.ee.ntu.edu.tw/~tlkagk/index.html。

        這個(gè)學(xué)習(xí)筆記是根據(jù)李老師2017年秋季機(jī)器學(xué)習(xí)課程的視頻和講義做的記錄和總結(jié)。因?yàn)檫@個(gè)視頻是在Youtube上面,有些朋友可能無法觀看,我把它搬運(yùn)下來放在云盤上面,大家點(diǎn)擊閱讀原文,就可以直接在手機(jī)隨時(shí)隨地觀看了。再次,感謝李老師的付出和貢獻(xiàn)。

        這門課,共有36個(gè)視頻,每個(gè)視頻播放的時(shí)間不一。我按著視頻播放的順序,觀看,聆聽和學(xué)習(xí),并結(jié)合講義,做學(xué)習(xí)筆記。我做學(xué)習(xí)筆記目的有三:

        1 幫助自己學(xué)習(xí)和理解機(jī)器學(xué)習(xí)

        2 記錄機(jī)器學(xué)習(xí)的重要知識(shí)、方法、原理和思想

        3 為傳播機(jī)器學(xué)習(xí)做點(diǎn)事情

        視頻19:卷積神經(jīng)網(wǎng)絡(luò)

        一、為什么CNN適合Image?

        李老師說CNN,相對(duì)于DNN,全連接的網(wǎng)絡(luò),是一個(gè)更加簡(jiǎn)單的模型,它基于先驗(yàn)知識(shí),去把原來全連接的layer里面的一些參數(shù)拿掉,就變成了CNN。為什么可以這樣做?


        洞察一:一個(gè)Pattern只需要觀察一個(gè)小的區(qū)域,例如,識(shí)別鳥嘴。

        洞察二:同樣Pattern出現(xiàn)在不同區(qū)域時(shí),可以用同一組參數(shù)來識(shí)別,即參數(shù)共享機(jī)制。

        洞察三:對(duì)圖像做子抽樣,subsampling,不會(huì)影響圖像識(shí)別。如下圖:

        同樣Pattern出現(xiàn)在不同區(qū)域時(shí),可以用同一組參數(shù)來識(shí)別,即參數(shù)共享機(jī)制。



        基于這個(gè)三個(gè)洞察,CNN的整體架構(gòu),如下圖:


        卷積層對(duì)應(yīng)于洞察一、二,而池化層對(duì)應(yīng)于洞察三。

        二、卷積層Convolution

        李老師詳細(xì)介紹了卷積層的計(jì)算和處理邏輯,以及與洞察一和二的關(guān)系,原始數(shù)據(jù)、卷積核、卷積運(yùn)算、步長(zhǎng)(stride=1)、Feature Map,卷積層與全連接的關(guān)系,這些知識(shí),在卷積層里面會(huì)用到。更詳細(xì)的內(nèi)容,請(qǐng)觀看視頻。

        思考題:

        彩色圖像如何做卷積運(yùn)算?(請(qǐng)留言)


        卷積層與全連接的關(guān)系

        利用先驗(yàn)知識(shí),用更少的參數(shù)來達(dá)成了學(xué)習(xí)的目的。

        更少的參數(shù),決定了更少的神經(jīng)元個(gè)數(shù)和權(quán)重


        三、池化層Max Pooling

        池化層用于解決做洞察三的事情



        四、全連接層

        用于把最后輸出的Feature Map拉直和拼接,構(gòu)建一個(gè)DNN。



        五、基于Keras實(shí)現(xiàn)CNN

        李老師,以手寫數(shù)字識(shí)別為例子,介紹了CNN架構(gòu),如何在Keras上做設(shè)計(jì)和實(shí)現(xiàn)。


        六、CNN為什么可以學(xué)習(xí)?

        李老師對(duì)CNN這個(gè)網(wǎng)絡(luò)架構(gòu)為什么能夠?qū)W習(xí)做了深入淺出的解釋,推薦觀看視頻。


        同時(shí),李老師分享了兩個(gè)有趣的Deep現(xiàn)象,一個(gè)是Deep Dream,另一個(gè)是Deep Style。


        七、CNN的廣泛應(yīng)用

        CNN有著廣泛地應(yīng)用,尤其是在圖像領(lǐng)域或者類似圖像的領(lǐng)域。

        李老師分享了這些應(yīng)用實(shí)例。

        1 圍棋比賽,Playing Go


        2 語(yǔ)音領(lǐng)域



        3 文本領(lǐng)域




        詳細(xì)內(nèi)容,請(qǐng)觀看視頻。


        朋友們,在學(xué)習(xí)中有什么問題或者想法,請(qǐng)加入機(jī)器學(xué)習(xí)群,大家一起討論,共同進(jìn)步。


        什么是數(shù)據(jù)挖掘?你怎么看。


        每周一書

        1利用Python進(jìn)行數(shù)據(jù)分析

        2深度學(xué)習(xí)


        課程視頻點(diǎn)擊                                         

        ↓↓↓

        瀏覽 87
        點(diǎn)贊
        評(píng)論
        收藏
        分享

        手機(jī)掃一掃分享

        分享
        舉報(bào)
        評(píng)論
        圖片
        表情
        推薦
        點(diǎn)贊
        評(píng)論
        收藏
        分享

        手機(jī)掃一掃分享

        分享
        舉報(bào)
        1. <strong id="7actg"></strong>
        2. <table id="7actg"></table>

        3. <address id="7actg"></address>
          <address id="7actg"></address>
          1. <object id="7actg"><tt id="7actg"></tt></object>
            好大好爽再深一点漫画 | 中文字幕视频2023 | 91福利国产在线观看 | 国产黄色网址大全 | 人人插人人费 | 影音先锋色资源站 | 性爱视频一区 | 亚洲人女屁股眼交6 | 99re国产这里只有精品6 | 色优优 |