当前课程知识点:Introduction to Artificial Intelligence >  Chapter 6 Convolutional Neural Network >  6.1 What is Convolutional Neural Network >  Video 6.1

返回《Introduction to Artificial Intelligence》慕课在线视频课程列表

Video 6.1在线视频

下一节:Courseware 6.1

返回《Introduction to Artificial Intelligence》慕课在线视频列表

Video 6.1课程教案、知识点、字幕

大家好

这一章我们来学习

什么是卷积神经网络

Yann LeCun

Facebook AI研究小组主任

是​​卷积神经网络的先驱

他于1988年建立了第一个

卷积神经网络

命名为LeNet

LeNet用于

字符识别任务

例如读取邮政编码和数字

您是否想过

面部识别在社交媒体上如何工作

或者物体检测

如何帮助建造自动驾驶汽车

或者在医疗保健中

如何使用视觉图像

进行疾病检测

借助卷积神经网络

一切皆有可能

这是卷积神经网络的示例

说明了

它们的工作原理

想象有一张鸟的图像

而你想确定它是鸟还是其他物体

要做的第一件事是

以数组的形式

将图像的像素

馈送到神经网络的输入层

隐藏层通过执行不同的

计算和操作来

执行特征提取

其中有多个隐藏层

例如卷积层

ReLU层

池化层

都可以从图像中

提取特征

最后有一个完全连接的层

用于标识图像中的对象

计算机如何读取图像呢

考虑一下北京天际线的图像

乍一看

会看到很多建筑物和色彩

那么计算机如何处理该图像

图像将分为三原色三个颜色通道

分别是红色

绿色还有蓝色

每个颜色通道

都映射到图像的像素

然后,计算机识别

与每个像素关联的值

并确定图像的大小

但是,对于黑白图像

只有一个通道

概念和之前的完全相同

对于卷积神经网络,我们无法利用

完全连接的网络

为什么呢

考虑一种情况

我们有一个1000 * 1000像素的

灰度图像

我们将其作为输入层

并希望隐藏层具有与输入层相同的神经单位

如果将其输入到卷积神经网络

则第一个隐藏层本身

将具有约10到12权重的幂数

如果这只是第一层隐藏层

请想象一下要处理整个复杂图像集

所需的神经元数量

这会导致过度拟合

并且不切实际

因此,我们无法利用完全连接的网络

如果要更好地处理图像

我们必须首先了解图像图案的特征

让我们看看这两张照片

我们可以看到

虹膜花仅出现在图像的

局部区域

而并非所有具有相似形态特征的虹膜花

都位于

图像中的

相同位置

我们如何利用这一特征

首先我们可以定义一种

提取局部特征的方法

使用该方法可以有效地响应特定的局部模式

然后使用此方法

去遍历整个图片

在卷积神经网络中

我们通过卷积来实现

这个特征表明即使是图像大小发生变化

虹膜花仍然可以

有效区分

我们如何利用这一特征

在神经网络的

逐层累积过程中

我们可以直接对图像

进行缩放

当将尺寸缩放到合适的尺寸时

可以在特征提取过程中获得有效的响应

在卷积神经网络中

我们通过池化来实现

然后,让我们看看什么是卷积神经网络

卷积神经网络

是一种前馈神经网络

通常用于通过处理具有网格状拓扑的数据

来分析

视觉图像

也称为卷积网

卷积神经网络用于检测

和分类图像中的

对象

卷积神经网络

具有多个隐藏层

可帮助从图像中

提取信息

卷积神经网络中的四个重要层是

卷积层

ReLU层

池化层和完全连接层

卷积层

ReLU层和池化层

将出现多次

以提取特征

而完全连接的层

将在分类末尾出现

一次或多次

这一节我们就讲到这

感谢收看,欢迎进入下一节的学习

Introduction to Artificial Intelligence课程列表:

Chapter 1 Overview of Artificial Intelligence

-1.1 What is artificial intelligence

--Video 1.1

--Courseware 1.1

--Exercise 1.1

-1.2 The History of artificial intelligence

--Video 1.2

--Courseware 1.2

--Exercise 1.2

-1.3 Applications of Artificial Intelligence

--Video 1.3

--Courseware 1.3

--Exercise 1.3

-1.4 Machine Learning and Deep Learning

--Video 1.4

--Courseware 1.4

--Exercise 1.4

Chapter 2 Machine Learning

-2.1 What is Machine Learning

--Video 2.1

--Courseware 2.1

-2.2 Supervised Learning

--Video 2.2

--Courseware 2.2

-2.3 Unsupervised Learning

--Video 2.3

--Courseware 2.3

-2.4 Construction of Development Environment

--Video 2.4

--Courseware 2.4

Chapter 3 Regression

-3.1 What is Regression

--Video 3.1

--Courseware 3.1

--Exercise 3.1

-3.2 Linear Regression

--Video 3.2

--Courseware 3.2

--Exercise 3.2

-3.3 Logistic Regression

--Video 3.3

--Courseware 3.3

--Exercise 3.3

-3.4 Practical Case

--Practical Case

Chapter 4 Classification

-4.1 What is Classification

--Video 4.1

--Courseware 4.1

-4.2 Naive Bayes

--Video 4.2

--Courseware 4.2

-4.3 Support Vector Machine

--Video 4.3

--Courseware 4.3

-4.4 Practical Case

--Practical Case

Chapter 5 Deep Learning

-5.1 Introduction to Deep Learning

--Video 5.1

--Courseware 5.1

--Exercise 5.1

-5.2 What is Neural Network

--Video 5.2

--Courseware 5.2

--Exercise 5.2

-5.3 Neural Network Basics

--Video 5.3

--Courseware 5.3

--Exercise 5.3

-5.4 Practical Case

--Practical Case

Chapter 6 Convolutional Neural Network

-6.1 What is Convolutional Neural Network

--Video 6.1

--Courseware 6.1

-6.2 Convolution Layer

--Video 6.2

--Courseware 6.2

-6.3 Pooling Layer

--Video 6.3

--Coureseware 6.3

-6.4 Classical Convolutional Neural Network

--Video 6.4

--Courseward 6.4

Chapter 7 Computer Vision

-7.1 What is Computer Vision

--Video 7.1

--Courseware 7.1

--Exercise 7.1

-7.2 Image Classification

--Video 7.2

--Courseware 7.2

--Exercise 7.2

-7.3 Introduction to TensorFlow

--Video 7.3

--Courseware 7.3

--Exercise 7.3

-7.4 Practical Case

--Practical Case

Chapter 8 Natural Language Processing

-8.1 What is Natural Language Processing

--Video 8.1

--Courseware 8.1

-8.2 Basics of NLP

--Video 8.2

--Courseware 8.2

-8.3 Recurrent Neural Network

--Video 8.3

--Courseware 8.3

-8.4 Practical Case

--Practical Case

Video 6.1笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。