深度学习神经网络基本原理

原创

于 2022-11-24 14:26:19 发布 · 1.7k 阅读

·

0

·

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：

#python #人工智能 #深度学习

本文介绍了深度学习的基本原理，包括其学习特征的能力，建立模型的过程，如前馈神经网络、卷积神经网络的结构和卷积核的作用。同时，讨论了损失函数和参数学习的重要性，并概述了线性回归、多层感知机和LeNet-5卷积网络模型的实战应用。

一、深度学习

深度学习：顾名思义学习特征

从原始数据中提取模式的能力。机器学习就是让计算机模型学习到这些分类模型。深度学习面临的挑战是：图像的底层视觉特性和高层语义概念之间的鸿沟。例如人和狗是不一样的图像，但如果他们背景颜色都一样，视觉特征很像，但语义不同。

总的流程为：建立模型——损失函数——参数学习

step1:建立模型

前馈神经网络：可以将数据进行处理。
在这里插入图片描述

最后用函数来表达就是输入了特征 $(1−1)(1)\left( \begin{matrix} 1 \\ -1 \\ \end{matrix} \right) \tag{1}$

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。