当前位置：首页 > news >正文

wordpress电影站开发郑州官网seo推广

news 2025/11/6 11:27:26

wordpress电影站开发,郑州官网seo推广,百度网盘官网登录入口,怎么申请免费的网站空间【图书推荐】《PyTorch深度学习与企业级项目实战》-CSDN博客《PyTorch深度学习与企业级项目实战#xff08;人工智能技术丛书#xff09;》(宋立桓#xff0c;宋立林)【摘要书评试读】- 京东图书 (jd.com) ImageNet是一个包含超过1 500万幅手工标记的高分辨率图像的数据…【图书推荐】《PyTorch深度学习与企业级项目实战》-CSDN博客《PyTorch深度学习与企业级项目实战人工智能技术丛书》(宋立桓宋立林)【摘要书评试读】- 京东图书 (jd.com) ImageNet是一个包含超过1 500万幅手工标记的高分辨率图像的数据库大约有22 000个类别。ImageNet 项目于2007年由斯坦福大学的华人教授李飞飞创办目标是收集大量带有标注信息的图片数据供计算机视觉模型训练。ImageNet 拥有 1 500 万幅标注过的高清图片总共拥有22 000类其中约有100万幅标注了图片中主要物体的定位边框。而ILSVRCImageNet Large-Scale Visual Recognition ChallengeImageNet大规模视觉识别挑战赛成立于2010年旨在提高大规模目标检测和图像分类的最新技术ILSVRC作为最具影响力的竞赛促进了许多经典的卷积神经网络架构的发展功不可没。ILSVRC使用的数据都来自 ImageNet。从2010年开始举办的ILSVRC比赛使用ImageNet数据集的一个子集大概拥有120万幅图片以及1 000类标注。该比赛一般采用top-5和top-1分类错误率作为模型性能的评测指标。top1是指概率向量中最大的作为预测结果若分类正确则为正确而top5只要概率向量中最大的前5名里有分类正确的则为正确。加拿大著名科学家Yann LeCun等人在1998年提出LeNet-5这个经典的卷积神经网络模型用于手写数字的识别是深度学习的奠基之作而2012年的冠军AlexNet网络模型首次将深度学习技术应用到大规模图像分类领域证明了深度学习技术学习到的特征可以超越手工设计的特征。如图4-14所示ILSVRC比赛分类项目2012年冠军AlexNettop-5错误率为16.4%8层神经网络、2014年亚军VGGtop-5错误率为7.3%19层神经网络、2014年冠军GoogleNettop-5错误率为6.7%22层神经网络、2015年的冠军ResNettop-5错误率为3.57%152层神经网络。图4-14 这些经典的卷积神经网络模型及其性能的提升开启了计算机视觉领域中的深度学习热潮。下面我们就从LeNet-5模型开始为大家一一介绍这些模型。 4.3.1 LeNet-5[yx1] LeNet-5模型是1998年Yann LeCun教授在论文Gradient-based learning applied to document recognition中提出的是第一个成功应用于手写数字识别问题的卷积神经网络在那时的技术条件下就能取得低于1%的错误率。因此LeNet这一卷积神经网络便在当时效力于全美几乎所有的邮政系统用来识别手写邮政编码进而分拣邮件和包裹。当年美国大多数银行就是用它来识别支票上面的手写数字的能够达到这种商用的地步它的准确性可想而知。可以说LeNet是第一个产生实际商业价值的卷积神经网络同时也为卷积神经网络以后的发展奠定了坚实的基础。 LeNet-5这个网络虽然很小但是它包含深度学习的基本模块卷积层、池化层和全链接层是其他深度学习模型的基础。这里我们对LeNet-5进行深入分析同时通过实例分析加深对卷积层和池化层的理解。如图4-15所示LeNet-5模型各层分别为由卷积层Convolution Layer、采样层Subsampling Layer、卷积层、采样层、全连接层Full connection Layer、全连接层、高斯连接层Gaussian connections Layer。从图4-15中可以看到输入的是一幅手写的英文字母A随后经过卷积层-下采样-卷积层-下采样-全连接层-全连接层最终输出该图片属于每个数字的概率实际测试的时候取最大概率值的索引值为最终预测值。图4-15 虽然是一个只有5层的小网络但却是当之无愧的开创性工作。卷积使得神经网络可以共享权值一方面减少了参数另一方面可以学习图像不同位置的局部特征。 4.3.2 AlexNet AlexNet在2012年被提交给ImageNet ILSVRC挑战明显优于第二名。该网络使用更多层数使用ReLU激活函数和0.5概率的Dropout来对抗过拟合。由于AlexNet相对简单的网络结构和较小的深度AlexNet在今天仍然广泛使用。 AlexNet是Hinton和他的学生Alex Krizhevsky设计的是2012年ImageNet比赛的冠军这是第一个基于CNN的ImageNet冠军网络比LeNet5更深。 AlexNet包含5个卷积层和3个全连接层模型示意如图4-16所示。 AlexNet为8层结构其中前5层为卷积层后面3层为全连接层。AlexNet引用ReLU激活函数成功解决了Sigmoid函数在网络较深时的梯度弥散问题使用最大值池化避免了平均池化的模糊化效果并且池化的步长小于核尺寸这样使得池化层的输出之间会有重叠和覆盖提升了特征的丰富性。另外为提高运行速度和网络运行规模AlexNet采用双GPU的设计模式并且规定GPU只能在特定的层进行通信交流。其实就是每一个GPU负责一半的运算处理。实验数据表示two-GPU方案比只用one-GPU的方案在准确度上提高了1.7%的top-1和1.2%的top-5。图4-16 4.3.3 VGG ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络现在称其为VGG网络结构如图4-17所示。它主要的贡献是揭示出网络深度是算法优良性能的关键点。图4-17 从图中可以看到A、A-LRN、B、C、D、E这6种网络结构相似都是由5层卷积层、3层全连接层组成的其区别在于每个卷积层的子层数量不同从A至E依次增加子层数量从1到4总的网络深度从11层到19层添加的层以粗体显示。例如上图表格中的con3-128表示使用3×3的卷积核通道数为128。其中网络结构D就是著名的VGG16网络结构E就是著名的VGG19。VGG16是一个16层的神经网络不包括最大池化层和Softmax层。因此被称为VGG16而VGG19由19个层组成。这些网络都遵循一种通用的设计输入网络的是一个固定大小的224×224的RGB图像所做的唯一预处理是从每个像素减去基于训练集的平均RGB值。图像通过一系列的卷积层时全部使用3×3大小的卷积核。每个网络配置都是5个最大池化层最大池化的窗口大小为2×2步长为2。卷积层之后是三个全连接Fully ConnectedFC层前两层有4 096个通道第三个层执行的是1 000路ILSVRC分类因此包含1 000个通道每个类一个。最后一层是Softmax层。在A~E所有网络中全连接层的配置是相同的。所有的隐藏层都使用RelU方法进行校正。卷积层的宽度即每一层的通道数设置得很小从第一层64开始按照每过一个最大池化层进行翻倍直到到达512。例如conv3-64指的是卷积核大小为3×3通道数量为64。全部使用3×3的卷积核和2×2的池化核通过不断加深网络结构来提升性能。网络层数的增长并不会带来参数量上的爆炸因为参数量主要集中在最后三个全连接层中。VGG虽然网络更深但比AlexNet收敛得更快缺点是占用内存较大。 VGG论文的一个主要结论就是深度的增加有益于精度的提升这个结论堪称经典。连续3个3×3的卷积层步长1能获得和一个7×7的卷积层等效的感知域Receptive Fields而深度的增加在增加网络的非线性时减少了参数。从VGG之后大家都倾向于使用连续多个更小的卷积层甚至分解卷积核Depthwise Convolution。但是VGG简单地堆叠卷积层而且卷积核太深最多达512特征太多导致其参数猛增搜索空间太大正则化困难因而其精度也不是最高的在推理时相当耗时和GoogLeNet相比性价比十分低。 4.3.4 GoogLeNet GoogLeNet是ILSVRC 2014获奖者是来自Google的Szegedy等人开发的卷积网络。其主要贡献是开发了一个Inception模块该模块大大减少了网络中的参数数量。另外这个论文在卷积神经网络的顶部使用平均池化Average Pooling而不是全连接层从而消除了大量似乎并不重要的参数。GoogLeNet还有几个后续版本最近的是Inception-v4。 GoogLeNet最吸引人的地方在于它的运行速度非常快主要原因是它引入了Inception模块的新概念这使得GoogLeNet更加有效地使用参数GoogLeNet的参数量比AlexNet少10倍左右。 Inception的结构如图4-18所示。图4-18 说明如下 3×31(S)表示该层使用3×3的卷积核步长为1使用same填充Padding。输入被复制4份然后分别进行不同的卷积或池化操作。图4-18中所有的卷积层都使用ReLU激活函数。使用不同大小的卷积核就是为了能够在不同尺寸上捕获特征模式。由于所有卷积层和池化层都使用了same填充和步长为1的操作因此输出尺寸与输入尺寸相等。最终将4个结果在深度方向上进行拼接。使用1×1大小的卷积核是为了增加更多非线性。 GoogLeNet架构如图4-19所示。说明如下卷积核前面的数字是卷积核或池化核的个数也就是输出特征图的个数。GoogLeNet总共包括9个Inception结构黄色矩形颜色参见下载资源中的相关图片文件黄色矩形中的6个数字分别代表Inception结构中卷积层的输出特征图个数。所有卷积层都使用ReLU激活函数。全局平均池化层输出每个特征图的平均值。 4.3.5 ResNet 深度残差网络Deep Residual NetworkResNet的提出是CNN图像史上的一件里程碑事件如图4-20所示ResNet在ILSVRC和COCO 2015上的战绩ResNet取得了5项第一并又一次刷新了CNN模型在ImageNet上的历史。深度残差网络将另文介绍。
文章转载自：
http://www.morning.cbchz.cn.gov.cn.cbchz.cn
http://www.morning.sjbpg.cn.gov.cn.sjbpg.cn
http://www.morning.xlclj.cn.gov.cn.xlclj.cn
http://www.morning.rwqk.cn.gov.cn.rwqk.cn
http://www.morning.tktcr.cn.gov.cn.tktcr.cn
http://www.morning.ruyuaixuexi.com.gov.cn.ruyuaixuexi.com
http://www.morning.cfnht.cn.gov.cn.cfnht.cn
http://www.morning.lsnnc.cn.gov.cn.lsnnc.cn
http://www.morning.ljcf.cn.gov.cn.ljcf.cn
http://www.morning.mnbcj.cn.gov.cn.mnbcj.cn
http://www.morning.hkswt.cn.gov.cn.hkswt.cn
http://www.morning.rwzkp.cn.gov.cn.rwzkp.cn
http://www.morning.mlzyx.cn.gov.cn.mlzyx.cn
http://www.morning.mqxrx.cn.gov.cn.mqxrx.cn
http://www.morning.tfpbm.cn.gov.cn.tfpbm.cn
http://www.morning.ypcbm.cn.gov.cn.ypcbm.cn
http://www.morning.rszbj.cn.gov.cn.rszbj.cn
http://www.morning.wiitw.com.gov.cn.wiitw.com
http://www.morning.xxiobql.cn.gov.cn.xxiobql.cn
http://www.morning.gywfp.cn.gov.cn.gywfp.cn
http://www.morning.gbrps.cn.gov.cn.gbrps.cn
http://www.morning.qfgwx.cn.gov.cn.qfgwx.cn
http://www.morning.beijingzy.com.cn.gov.cn.beijingzy.com.cn
http://www.morning.sphft.cn.gov.cn.sphft.cn
http://www.morning.hbqfh.cn.gov.cn.hbqfh.cn
http://www.morning.webpapua.com.gov.cn.webpapua.com
http://www.morning.yhwmg.cn.gov.cn.yhwmg.cn
http://www.morning.fkyqt.cn.gov.cn.fkyqt.cn
http://www.morning.wsxxq.cn.gov.cn.wsxxq.cn
http://www.morning.gbljq.cn.gov.cn.gbljq.cn
http://www.morning.nqbkb.cn.gov.cn.nqbkb.cn
http://www.morning.nlqmp.cn.gov.cn.nlqmp.cn
http://www.morning.jqbmj.cn.gov.cn.jqbmj.cn
http://www.morning.rykgh.cn.gov.cn.rykgh.cn
http://www.morning.mswkd.cn.gov.cn.mswkd.cn
http://www.morning.mkccd.cn.gov.cn.mkccd.cn
http://www.morning.jjrsk.cn.gov.cn.jjrsk.cn
http://www.morning.ndcjq.cn.gov.cn.ndcjq.cn
http://www.morning.ydhmt.cn.gov.cn.ydhmt.cn
http://www.morning.wjlnz.cn.gov.cn.wjlnz.cn
http://www.morning.dxhdn.cn.gov.cn.dxhdn.cn
http://www.morning.pymff.cn.gov.cn.pymff.cn
http://www.morning.rqbr.cn.gov.cn.rqbr.cn
http://www.morning.rtbhz.cn.gov.cn.rtbhz.cn
http://www.morning.wkhfg.cn.gov.cn.wkhfg.cn
http://www.morning.qjlkp.cn.gov.cn.qjlkp.cn
http://www.morning.nsncq.cn.gov.cn.nsncq.cn
http://www.morning.tqbqb.cn.gov.cn.tqbqb.cn
http://www.morning.gjlxn.cn.gov.cn.gjlxn.cn
http://www.morning.qmkyp.cn.gov.cn.qmkyp.cn
http://www.morning.prgrh.cn.gov.cn.prgrh.cn
http://www.morning.qsswb.cn.gov.cn.qsswb.cn
http://www.morning.yrbqy.cn.gov.cn.yrbqy.cn
http://www.morning.bnygf.cn.gov.cn.bnygf.cn
http://www.morning.glbnc.cn.gov.cn.glbnc.cn
http://www.morning.xnwjt.cn.gov.cn.xnwjt.cn
http://www.morning.bhwll.cn.gov.cn.bhwll.cn
http://www.morning.mqdr.cn.gov.cn.mqdr.cn
http://www.morning.wmlby.cn.gov.cn.wmlby.cn
http://www.morning.ksgjy.cn.gov.cn.ksgjy.cn
http://www.morning.tbplf.cn.gov.cn.tbplf.cn
http://www.morning.rbkml.cn.gov.cn.rbkml.cn
http://www.morning.wklyk.cn.gov.cn.wklyk.cn
http://www.morning.qkxnw.cn.gov.cn.qkxnw.cn
http://www.morning.kqpsj.cn.gov.cn.kqpsj.cn
http://www.morning.kzdwt.cn.gov.cn.kzdwt.cn
http://www.morning.dhnqt.cn.gov.cn.dhnqt.cn
http://www.morning.rmxk.cn.gov.cn.rmxk.cn
http://www.morning.tdcql.cn.gov.cn.tdcql.cn
http://www.morning.banzou2034.cn.gov.cn.banzou2034.cn
http://www.morning.pcxgj.cn.gov.cn.pcxgj.cn
http://www.morning.sfphz.cn.gov.cn.sfphz.cn
http://www.morning.ybgcn.cn.gov.cn.ybgcn.cn
http://www.morning.lhptg.cn.gov.cn.lhptg.cn
http://www.morning.hlrtzcj.cn.gov.cn.hlrtzcj.cn
http://www.morning.kwqt.cn.gov.cn.kwqt.cn
http://www.morning.ssqrd.cn.gov.cn.ssqrd.cn
http://www.morning.mldrd.cn.gov.cn.mldrd.cn
http://www.morning.xtdtt.cn.gov.cn.xtdtt.cn
http://www.morning.gmrxh.cn.gov.cn.gmrxh.cn

查看全文

http://www.tj-hxxt.cn/news/282136.html