Comprender la red neuronal convolucional convolucional y su principio de funcionamiento al digerir la lengua vernácula

La red de auditoría convolucional es demasiado complicada de leer y la probabilidad de ser descartada es demasiado alta.
inserte la descripción de la imagen aquí

1. Convolución: comprender la función de convolución con la digestión de alimentosf(t)g(x-t)

Convolución: entrada inestable, salida estable, encontrar stock del sistema
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
La convolución es g(x)voltear la función, porque está volteada, por lo que se llama convolución
inserte la descripción de la imagen aquí

2. La función principal de la red neuronal convolucional es identificar el contenido de la imagen, por ejemplo, si la imagen es un gato o un perro.

Cómo afectan los píxeles circundantes al punto actual

Operación de convolución de imagen

f(t) = 不稳定输入
g(x-t) = 稳定输出

Las imágenes en la computadora se pueden considerar como un
inserte la descripción de la imagen aquí
núcleo de convolución de un píxel: por ejemplo, una red de 3 x 3.
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
Para mantener la imagen de salida igual a la imagen de entrada, simplemente agregue 0 a la capa más externa de la imagen, también llamada relleno.
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

2.1 La razón del huracán es que la mariposa aletea, y se explica calculando la probabilidad de que el aleteo afecte al huracán.

inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

2.2 Núcleo de convolución de operación de convolución suave

Una de las funciones del núcleo de convolución es la influencia de los píxeles circundantes en el píxel actual. Por ejemplo, el siguiente núcleo de convolución es: sumar los píxeles circundantes y luego promediar
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

2.3 El núcleo de convolución es el núcleo de convolución después de rotar la función g 180°

Puntos de píxel, sumados por suma continua, no integral
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
El kernel de convolución es el kernel de convolución después de que la función g se gira 180 °
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

3. Filtro de red neuronal convolucional, cómo filtrar los píxeles requeridos por el kernel de convolución

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

4. Cómo funcionan las redes neuronales convolucionales

El científico informático chino Li Feifei lanzó ImageNet para alentar a todos a cargar imágenes y etiquetarlas con
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

tres núcleos de convolución para extraer características en la esquina superior izquierda, la x central y la esquina inferior izquierda.
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

4.1 Pooling Submuestreo de capas de pooling para reducir el área de la imagen

inserte la descripción de la imagen aquí
3 canales de rojo, amarillo y azul
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

4.2 Función de activación, función de activación modificada de ReLUs, frotis de números negativos a 0, fácil de calcular

inserte la descripción de la imagen aquí


inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

4.3 Capa totalmente conectada

inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

4.4 Sitio web de ImageNet iniciado por Feifei Li - 2009

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

4.5 Retropropagación Backprop

Error = right answer - actual answer
loss = min(Error1, Error2... ErrorN)

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

4.6 Hiperparámetros, parámetros del framework

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí

inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí
inserte la descripción de la imagen aquí

referencia

https://www.bilibili.com/video/BV1VV411478E

https://www.bilibili.com/video/BV1sb411P7pQ/

Supongo que te gusta

Origin blog.csdn.net/zgpeace/article/details/124004494
Recomendado
Clasificación