機器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)_第1頁
機器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)_第2頁
機器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)_第3頁
機器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)_第4頁
機器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)_第5頁
已閱讀5頁,還剩18頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

第10章人工神經(jīng)網(wǎng)絡(luò)《機器學(xué)習(xí)》胡曉10.1神經(jīng)元及基本模型

神經(jīng)元(Neuron)是人腦神經(jīng)系統(tǒng)的基本單元,負(fù)責(zé)接收和傳遞神經(jīng)信號

通過突觸(Synapse)與下一層神經(jīng)元的樹突連接起來,從而構(gòu)成基本神經(jīng)通路。美國心理學(xué)家FrankRosenblatt提出的感知機模擬了神經(jīng)元的細(xì)胞膜電位累加和激活過程,建立了神經(jīng)元的基本模型:線性變換和激活。

10.1神經(jīng)元及基本模型

10.2激活函數(shù)

10.2激活函數(shù)

校正線性單元泄露校正線性單元指數(shù)線性單元軟加函數(shù)softplus

10.2激活函數(shù)Swish激活函數(shù)2017年,GoogleBrain研究人員經(jīng)過大規(guī)模搜索發(fā)現(xiàn)一種在許多任務(wù)上比ReLU性能更好的非線性激活函數(shù),稱為Swish,

10.3感知機感知機是1957年FrankRosenblatt在MP模型基礎(chǔ)之上建立一個線性分類器。僅有一個神經(jīng)元,并用符號函數(shù)作為激活函數(shù),感知機學(xué)習(xí)算法是一種錯誤驅(qū)動學(xué)習(xí)算法感知機的異或難題

10.4前饋神經(jīng)網(wǎng)絡(luò)10.4.1前饋神經(jīng)網(wǎng)絡(luò)模型前饋神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層之間有多個隱含層,各神經(jīng)元分屬于不同層。相鄰兩層神經(jīng)元采用全連接,即每個神經(jīng)元與相鄰層的所有神經(jīng)元相連接。每層神經(jīng)元可以接收前一層神經(jīng)元信號,并形成新信號,然后輸出到下一層。整個神經(jīng)網(wǎng)絡(luò)沒有反饋,信號從輸入層向輸出層單向傳播。

10.4前饋神經(jīng)網(wǎng)絡(luò)單個神經(jīng)元與前一層神經(jīng)元的信息傳遞關(guān)系當(dāng)前層所有神經(jīng)元與前一層神經(jīng)元的信息傳遞

10.4前饋神經(jīng)網(wǎng)絡(luò)

10.4前饋神經(jīng)網(wǎng)絡(luò)

10.4前饋神經(jīng)網(wǎng)絡(luò)10.4.3反向傳播算法

結(jié)合梯度下降法可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)10.5卷積神經(jīng)網(wǎng)絡(luò)

互相關(guān)和卷積

10.5卷積神經(jīng)網(wǎng)絡(luò)卷積層之所以稱該層為卷積層,因為這一層的基本操作是卷積,即一張或一組特征圖與濾波器核卷積。在神經(jīng)網(wǎng)絡(luò)中,把濾波器核在輸入特征圖覆蓋區(qū)域稱為感受野(ReceptiveField),10.5.2卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖像卷積層中線性變換用矩陣表示為,

池化層在池化層主要完成特征圖的不重疊下采樣。池化函數(shù)主要有平局池化、最大池化、隨機池化和全局平均池化。10.5卷積神經(jīng)網(wǎng)絡(luò)10.5卷積神經(jīng)網(wǎng)絡(luò)10.5卷積神經(jīng)網(wǎng)絡(luò)10.5.3卷積神經(jīng)網(wǎng)絡(luò)殘差反向傳播解決如何把殘差往前級傳送。

10.6簡單卷積神經(jīng)網(wǎng)絡(luò)10.6.1LeNet-51998年,LeCun等人提出LeNet-5是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。雖然LeNet簡單,但模塊齊全。20世紀(jì)90年代被美國很多銀行使用,用來識別支票上面手寫數(shù)字。網(wǎng)絡(luò)架構(gòu)由輸入層、3個卷積層、2個池化層、1個全連接層和輸出層組成。其中,每個卷積層包括卷積和激活2個子層組成。10.6簡單卷積神經(jīng)網(wǎng)絡(luò)10.6.2AlexNet

10.6簡單卷積神經(jīng)網(wǎng)絡(luò)10.6.3VGG2014年,由牛津大學(xué)視覺幾何組(VisualGeometryGroup)提出VGGNet在ILSVRC中獲得了定位任務(wù)第1名和分類任務(wù)第2名,設(shè)計了A、A-LRN、B、C、D和E共6種網(wǎng)絡(luò)結(jié)構(gòu),其中D和E分別是著名的VGG16和VGG19:(1)VGG16包含

13個卷積層和3個全連接層共16個隱藏層;(2)VGG19包含16個卷積層個3個全連接層共19個隱藏層。10.6簡單卷積神經(jīng)網(wǎng)絡(luò)10.6.4Inception2014年至2016年,Google團隊發(fā)表了多篇關(guān)于Inception的經(jīng)典論文詳細(xì)介紹了Inception演進版本[15-18]:Inception-V1、-V2、-V3、-V4和Inception-ResNet等,10.6簡單卷積神經(jīng)網(wǎng)絡(luò)10.6.5ResNet由微軟實驗室的KaimingHe等人于2015年提出的殘差網(wǎng)絡(luò)(ResidualNetwork,ResNet)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論