deeplearning.ai之卷积神经网络
来源:互联网 发布:军工软件商 编辑:程序博客网 时间:2024/05/21 17:54
1. 卷积层的优点:
2. 经典网络架构介绍
LeNet-5
- 池化层为均值,而目前主流为max
- 激活函数为sigmod或者tanh,而目前主流为relu
AlexNet
- Local Response Normalization(LRN):
认为网络不需要那么多高激活神经元,因此将某些位置进行归一化处理(即对某点所有通道上的值进行归一化)。
VGG-19
- VGG网络的特征是简单,只使用3x3的卷积层和2x2的池化层。
ResNet
- 通过添加跳跃连接,改变了模块的输出。当w与b均接近0时,该模块作用消失;否则,认为学习到了一些有用的特征。通过这种特性,可以避免网络加深性能变差的现像!
- 若a[l+1]与a[l]维度不一致,则在需a[l]前乘上一个转换矩阵W,保证与a[l+1]维度一致!
GoogleNet
- 使用Inception模块,可以让网络自己决定使用卷积层的大小(通过核参数值决定)。
- GoogleNet在网络中间添加输出层预测结果,可以防止过拟合和缓解梯度消失学习困难的问题!
3. 提高识别率的Tips
- 10-crop:即取待检测图像及其镜像图像中心子区域及四角子区域,共计10张子图进行检测,将平均检测结果作为最终识别结果!
4. Face Recognition
人脸验证
实质上是利用CNN提取人脸特征,然后进行特征匹配:
人脸验证的损失函数:
其中,A是特定人的人脸图,P也是该人的人脸图,视为正样本,N不是该人的人脸图,视为负样本!
5. Neural Style Transfer
寻找各层九个最大的激活图像区域:
损失函数定义:
内容图像损失函数:
风格图像损失函数:
构建gram矩阵,计算各激活层间的相关性:
阅读全文
0 0
- deeplearning.ai之卷积神经网络
- deeplearning.ai-卷积神经网络
- deeplearning.ai之神经网络和深度学习
- 吴恩达deeplearning之CNN—卷积神经网络入门
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(4-1)-- 卷积神经网络基础
- 吴恩达deeplearning.ai第四课学习心得:卷积神经网络与计算机视觉
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(4-1)-- 卷积神经网络基础
- deeplearning.ai 第四课第一周,step by step 卷积神经网络的python实现
- deeplearning.ai 第四课第一周, 卷积神经网络的tensorflow实现
- deeplearning系列(六)卷积神经网络
- [deeplearning-008] convertional neural networks卷积神经网络
- DeepLearning (六) 学习笔记整理:神经网络以及卷积神经网络
- DeepLearning工具Theano学习记录(三) CNN卷积神经网络
- Andrew Ng's deeplearning Course4Week1 Convolutional Neural Networks(卷积神经网络)
- 吴恩达Deeplearning.ai专项课程笔记(一)-- 神经网络基础
- 卷积神经网络之LeNet5
- 神经网络之卷积理解
- Tensorflow中卷积神经网络之卷积层
- np.flatten():合并两个数组ndarray
- git installation & version
- 《JavaScript语言精粹》【PDF】下载
- stm32_026_stm32低功耗
- 在mac上安装sass遇到gem安装问题
- deeplearning.ai之卷积神经网络
- LeetCode 179. Largest Number
- C++安全函数之strcpy_s
- 高可用+高并发+负载均衡架构设计
- java中 错误: 找不到或无法加载主类 ***
- cifi文件系统-samba
- 微服务实战-理论篇
- Sn = a + aa+ aaa + ... + aaaaa(当n等于5时)
- linux线程同步(1)-互斥量