本章从数学角度描述了卷积神经网络(CNN)的工作原理。这一章是自成一体的,重点是让初学者能够理解CNN领域。

卷积神经网络(CNN)在许多计算机视觉、机器学习和模式识别问题上表现出优异的性能。关于这个主题已经发表了许多可靠的论文,并且已经提供了许多高质量的开源CNN软件包。

也有写得很好的CNN教程或CNN软件手册。但是,我们认为,专门为初学者准备的介绍CNN的材料仍然是需要的。研究论文通常很简洁,缺乏细节。对于初学者来说,阅读这样的论文可能是困难的。针对有经验的研究人员的教程可能无法涵盖理解CNN如何运行的所有必要细节。

本章试图提出一个文档:

  • 自成一体。所有需要的数学背景知识都将在本章(或本书其他章节)中介绍;

  • 有所有衍生的细节。这一章的目的是详细解释所有必要的数学。我们尽量不忽略推导过程中的任何重要步骤。因此,初学者应该能够跟上(尽管专家可能会发现这一章有点重复);

  • 忽略实现细节。目的是让读者了解CNN是如何在数学层面运作的。我们将忽略这些实现细节。在CNN中,对各种实现细节做出正确的选择是其高准确性的关键之一(即“细节决定成败”)。然而,我们有意省略了这一部分,以便读者关注数学。在了解了数学原理和细节之后,通过亲身体验CNN编程来学习这些实现和设计细节会更有优势。本章的练习问题提供了动手制作CNN编程的机会。

CNNs在很多应用中都很有用,特别是在与图像相关的任务中。CNNs的应用包括图像分类、图像语义分割、图像中的目标检测等。在本章中,我们将重点讨论图像分类。在图像分类中,每幅图像都有一个主要的对象,占图像的很大一部分。一个图像根据其主要对象的身份被分类到其中一个类中。狗、飞机、鸟等。

成为VIP会员查看完整内容
0
90

相关内容

南京大学坐落于钟灵毓秀、虎踞龙蟠的金陵古都,是一所历史悠久、声誉卓著的百年名校。1949年,由国立中央大学更名为国立南京大学。南京大学是综合研究型大学,格物致知,广博易良,向有学科齐备的传统,涵盖了众多领域,现为中央直管、教育部直属的全国重点大学,是”985工程”和“211工程”重点建设的大学之一。

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
185

机器学习使用来自各种数学领域的工具。本文件试图提供一个概括性的数学背景,需要在入门类的机器学习,这是在加州大学伯克利分校被称为CS 189/289A。

https://people.eecs.berkeley.edu/~jrs/189/

我们的假设是读者已经熟悉多变量微积分和线性代数的基本概念(达到UCB数学53/54的水平)。我们强调,本文档不是对必备类的替代。这里介绍的大多数主题涉及的很少;我们打算给出一个概述,并指出感兴趣的读者更全面的理解进一步的细节。

请注意,本文档关注的是机器学习的数学背景,而不是机器学习本身。我们将不讨论特定的机器学习模型或算法,除非可能顺便强调一个数学概念的相关性。

这份文件的早期版本不包括校样。我们已经开始在一些证据中加入一些比较简短并且有助于理解的证据。这些证明不是cs189的必要背景,但可以用来加深读者的理解。

成为VIP会员查看完整内容
0
174

课程目标 理解、记忆模式识别中的基本概念、步骤和方法 对重要方法,要能实际应用,并能理解其前提条件、 应用范围、应用注意事项和方法原理及推导 对讲授的其他方法,要能理解其含义和使用环境 要对模式识别的前沿领域有感性的认识 提高目标  进一步能通过独立阅读和实践掌握较深入的问题和方 法,并能应用到学习、研究中遇到的问题中去

成为VIP会员查看完整内容
1
93
小贴士
相关资讯
卷积神经网络数学原理解析
算法与数学之美
15+阅读 · 2019年8月23日
深入卷积神经网络背后的数学原理
人工智能学家
9+阅读 · 2019年4月26日
关于CNN图像分类的一份综合设计指南
云栖社区
10+阅读 · 2018年5月15日
【干货】卷积神经网络CNN学习笔记
机器学习研究会
15+阅读 · 2017年12月17日
计算机视觉这一年:这是最全的一份CV技术报告
极市平台
3+阅读 · 2017年11月28日
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
Tensorflow卷积神经网络
全球人工智能
13+阅读 · 2017年10月14日
卷积神经网络(CNN)学习笔记1:基础入门
黑龙江大学自然语言处理实验室
12+阅读 · 2016年6月16日
相关论文
Remedying BiLSTM-CNN Deficiency in Modeling Cross-Context for NER
Peng-Hsuan Li,Tsu-Jui Fu,Wei-Yun Ma
3+阅读 · 2019年8月29日
Neural Image Captioning
Elaina Tan,Lakshay Sharma
4+阅读 · 2019年7月2日
Explanatory Graphs for CNNs
Quanshi Zhang,Xin Wang,Ruiming Cao,Ying Nian Wu,Feng Shi,Song-Chun Zhu
4+阅读 · 2018年12月18日
Trung Minh Nguyen,Thien Huu Nguyen
10+阅读 · 2018年12月1日
Towards Understanding Regularization in Batch Normalization
Ping Luo,Xinjiang Wang,Wenqi Shao,Zhanglin Peng
4+阅读 · 2018年9月27日
Recurrent Fusion Network for Image Captioning
Wenhao Jiang,Lin Ma,Yu-Gang Jiang,Wei Liu,Tong Zhang
3+阅读 · 2018年7月31日
Fine-tuning CNN Image Retrieval with No Human Annotation
Filip Radenović,Giorgos Tolias,Ondřej Chum
4+阅读 · 2018年7月10日
Jianxun Lian,Xiaohuan Zhou,Fuzheng Zhang,Zhongxia Chen,Xing Xie,Guangzhong Sun
8+阅读 · 2018年5月30日
Mia Xu Chen,Orhan Firat,Ankur Bapna,Melvin Johnson,Wolfgang Macherey,George Foster,Llion Jones,Niki Parmar,Mike Schuster,Zhifeng Chen,Yonghui Wu,Macduff Hughes
4+阅读 · 2018年4月26日
Jiang Wang,Yi Yang,Junhua Mao,Zhiheng Huang,Chang Huang,Wei Xu
7+阅读 · 2016年4月15日
Top
微信扫码咨询专知VIP会员