建网站的费用是多少wordpress模板2018

建网站的费用是多少,wordpress模板2018,编程课有必要学吗,网页制作实训总结800字CNN的概述 卷积层#xff1a; 卷积核#xff08;小的矩阵#xff09;进行点乘求和池化层#xff1a; 提取特征#xff08;最大值提取、平均提取#xff09;全连接#xff1a;判断分类 卷积之后为什么需要池化呢? 因为信息太多了#xff0c;计算量太大#xff0c;我…CNN的概述卷积层 卷积核小的矩阵进行点乘求和池化层 提取特征最大值提取、平均提取全连接判断分类卷积之后为什么需要池化呢?因为信息太多了计算量太大我们就只计算最大的数据。就是池化卷积层 加权求和 W 是卷积核权重小矩阵x 是局部输入小块像素激励层ReLU激活函数池化层去区域的平均值或者最大值。降低参数的数量级例如2*2的就是4变1了全连接层 输出CNN模型的预测结果了总结卷积神经网络应用图像分类目标检测图像分割人脸识别医学图像分析自动驾驶CNN的卷积层是加权求和的理解卷积核的权重kernel weights就是神经网络中的权重参数 ( W )图像局部区域的像素值就是输入 ( x )卷积层计算的过程就是对局部输入 ( x ) 和权重 ( W ) 做点乘加权求和然后加上偏置 ( b )再通过激活函数非线性变换其中( W ) 是卷积核权重小矩阵( x ) 是局部输入小块像素( f ) 是激活函数比如 ReLU你可以把卷积层看作“一组小型的局部权重 ( W )在整个图像上滑动应用不断做点乘 激活”这也是卷积层跟全连接层的最大区别全连接层权重矩阵对所有输入做点乘卷积层小权重核对局部输入做点乘权重在空间共享总结角色物理意义数学对应卷积核权重小的权重矩阵( W )局部输入图像某块像素数据( x )偏置额外可训练的偏移量( b )激活函数非线性变换( f(\cdot) )一、CNN 是干什么的一句话CNN卷积神经网络 专门“看图”的神经网络它不是把图片拉平成一长串数字而是像人一样先看局部再看整体二、CNN 的三大核心结构你提的这三个就是CNN 的骨架卷积层Convolution池化层Pooling全连接层Fully Connected我按“干什么 → 怎么做 → 小例子”来讲。1️⃣ 卷积层Conv Layer 干什么提取局部特征比如边缘角点纹理简单形状 怎么做用一个小窗口卷积核在图像上滑动原图像8×8 ⬇ 3×3 卷积核 滑动 ⬇ 特征图Feature Map 直观例子假设图像里有一条竖线00010000 00010000 00010000 00010000卷积核检测竖线-1 2 -1 -1 2 -1 -1 2 -1 卷积后竖线位置数值很大其他地方接近 0卷积层 ≈ 自动“找特征” 重要特点参数少共享权重保留空间结构多个卷积核 → 多种特征2️⃣ 池化层Pooling Layer 干什么压缩特征保留重点 怎么做在小区域里取最大值或平均值Max Pooling最常用2×2 区域 [1 3] [2 0] → 3 直观例子卷积后特征图0 2 1 0 3 5 2 1 0 1 0 2 1 2 1 02×2 最大池化后5 2 2 2只关心“有没有这个特征”不关心精确位置 好处减少计算量防止过拟合对小位移不敏感平移不变性3️⃣ 全连接层Fully Connected 干什么做最终判断分类 / 回归 怎么做把前面的特征图拉平成一维和普通 ANN 一样算特征图 → 向量 → 全连接 → 输出 直观例子猫狗分类卷积层学到有耳朵 ✔有胡须 ✔有眼睛 ✔全连接层综合这些特征→ 这是猫0.92 → 这是狗0.08三、把三者连起来完整 CNN 流程原图32×32 ↓ 卷积层边缘、纹理 ↓ 池化层压缩 ↓ 卷积层更复杂形状 ↓ 池化层 ↓ 全连接层 ↓ 分类结果四、一个最小 PyTorch 示例看个整体感觉import torch.nn as nn model nn.Sequential( nn.Conv2d(3, 16, kernel_size3), # 卷积层 nn.ReLU(), nn.MaxPool2d(2), # 池化层 nn.Conv2d(16, 32, kernel_size3), nn.ReLU(), nn.MaxPool2d(2), nn.Flatten(), # 拉平 nn.Linear(32 * 6 * 6, 10) # 全连接 )五、和你之前 ANN 的最大区别一定要记住ANNCNN拉平成一维保留空间结构参数多参数少不适合图像专为图像一句话终极总结**卷积层找特征池化层留重点全连接做判断**如果你愿意下一步我可以用手算卷积 池化带你算一遍或对比CNN vs Transformer 看图或直接结合你现在的plt.imshow把中间特征图画出来你选一个