当前课程知识点:Introduction to Artificial Intelligence >  Chapter 6 Convolutional Neural Network >  6.2 Convolution Layer >  Video 6.2

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

Video 6.2在线视频

下一节:Courseware 6.2

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

Video 6.2课程教案、知识点、字幕

大家好

这一节

我们介绍了

卷积神经网络的构建

在本节中

我们将讨论卷积层

卷积是从输入图像中

提取特征的第一层

通过使用输入数据的小方块学习图像特征

可以保留像素之间的关系

这是一项数学运算

需要两个输入

例如图像矩阵

和滤波器或内核

卷积具有

平移不变的优点

直观地说

这意味着每个卷积滤波器

代表一个感兴趣的特征

例如字母中的像素

而卷积神经网络算法

可学习哪些特征构成最终的参考

例如字母

计算机中的

数字图像

由像素矩阵表示

例如此数字灰度图像

我们希望通过像素矩阵

将其呈现在计算机中

这种图像的每个像素

由一个

矩阵元素

也就是一个整数表示

像素表示中的数值

从零个

黑色像素

统一更改为

255个

白色像素

在计算机中具有RGB颜色模型的

彩色图像

将显示三个灰度图像矩阵

每个矩阵

对应一个红色

绿色和蓝色颜色分量

在卷积神经网络中

内核是一个过滤器

用于从图像中提取特征

内核是一个矩阵

它在输入数据上移动

对输入数据的子区域

执行点积运算

并将输出

作为点积矩阵

内核以步幅

在输入数据上移动

如果步幅为2

则内核在输入矩阵中移动2列像素

简而言之内核用于从图像中提取高级功能

例如图像的边缘

现在让我们看一下

如何计算图像的卷积

考虑一个6x6的灰度图像

和3x3的

滤镜矩阵

像这样

值为0

然后计算第二个值

像这样

值为30

我们一一计算所有数字

卷积后

将6x6图像

转换为4x4图像

通过使用滤镜对图像进行卷积

可以执行诸如边缘检测

模糊和锐化

之类的操作

步幅是输入矩阵上的

像素移位数

当步幅为1时

我们一次将滤镜

移动到1个像素

当步幅为2时

我们一次

将滤镜

移动到2个像素

依此类推

下图显示了

卷积 以2的步幅运行

以2的步幅运行

有时

过滤器不能完全适合输入图像

我们可以用零填充图片

称为零填充

以使其适合

否则我们必须将图像中

滤镜不适合的部分删除

这称为有效填充

仅保留图像的有效部分

ReLU代表用于非线性操作的

整流线性单元

输出为ƒ(x) = max(0,x)

为什么ReLU很重要

ReLU的目的是在我们的

ConvNet中引入非线性

因为现实世界中的数据希望我们的ConvNet

学到的是非负线性值

还可以使用其他非线性函数

例如tanh或Sigmoid

代替ReLU

大多数数据科学家

都使用ReLU

因为在性能方面

ReLU比其他方法要好

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 6.2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。