人工智能 人工神经网络-深度神经网络训练Pre-training+Fine-tuning训练+池化拉平向量

【人工智能】— 深度神经网络、卷积神经网络（CNN）、多卷积核、全连接、池化

深度神经网络训练

Pre-training + Fine-tuning

训练深度神经网络 参数共享

参数共享是深度神经网络中的一种技术，它使多个神经元在网络中使用相同的参数集。这种技术有助于减少训练网络所需的参数数量人工智能 人工神经网络，从而提高其计算效率。

卷积神经网络（CNN）

CNN是一种层次特征提取器，用于提取越来越高层次的特征。由于特征的感受域越来越大，特征从局部变为全局。

卷积

卷积是指对两个函数进行加权求和的操作。在卷积神经网络中，卷积操作是指将输入数据与一个卷积核（也称为滤波器或权重）进行卷积计算，得到一个特征映射的过程。

具体来说人工智能 人工神经网络，卷积操作包括以下三个要素：

多卷积核

在卷积神经网络中，通常会在每一层使用多个卷积核（也称为过滤器或滤波器）来提取不同的特征。这是因为只使用一个卷积核无法充分提取输入数据的全部信息，而使用多个卷积核可以提取更多的特征信息。

如果只使用一个卷积核来提取特征，则可能会忽略输入数据中的其他特征信息，从而导致信息丢失。而使用多个卷积核可以提取更多的特征信息，并且可以通过堆叠这些特征来形成更高级别的特征表示。高级别的特征通常是由低级别的特征组合而成的，这也是为什么需要使用多个卷积核的原因。

卷积

全连接

最大池化

卷积+池化

拉平向量

激活函数

优化 小结