神经网络学习笔记

深度学习主要解决的 怎么样去提取特征

深度学习应用

智能驾驶 人脸识别 医学识别  直播换脸 

计算机视觉

机器学习

K临近算法

神经网络

损失函数

得分函数--->损失函数----->概率值

线性回归(梯度下降)

反向传播计算

x w1 w2  w3

神经网络

数据预处理

卷积神经网络

特征提取  计算向量度 权重参数矩阵     

得出特征图

放原始数据  对小区域  内积结果 分别计算 

类似于神经网络  多级隐层     多级权重矩阵 

滑动步长

步长影响特征图大小   步长大 特征不丰富   文本数据 其他数据 分类任务 

卷积核尺寸

步长为1  3乘3

边缘填充

边缘为0   框起来得地方  重复地方 贡献大 其他位置 以及中间位置只计算一次。

越往中间 计算次数多 重要  边界填充    更公平对待 边缘特征 

卷积核个数

要得到多少个特征图 

卷积结果计算公式

池化层的作用

整体网络架构

网络框架

 残差网络Resnet

 

感受野的作用

PyTorch学习

降维就是特征提取，回归 聚类 降维