iT邦幫忙

2023 iThome 鐵人賽

DAY 11
0

深度神經網路架構(ANN)

輸入層

  • 輸入資料(Data)的特徵值 (Features)

隱藏層

  • 做運算
  • 前向傳播(Forward propagation) 計算出我們的Output

輸出層

  • 透過輸入特徵,經過隱藏層的運算所得到的預測值,我們藉由縮小預測值與實際標註值(Label),更新我們隱藏層的參數,最終訓練出一組權重(weights)

常見應用:

  • 影像分類
  • 即時視覺追蹤
  • 自駕
  • 邏輯最佳化
  • 生物資訊學
  • 語音辨識

Active Function (激活函數)

  • 接收區(receptive zone)、觸發區(trigger zone)、傳導區(conducting zone),和輸出區(output zone)。
- 樹突/輸入神經元 = 輸入x
- 輸出神經元 = 輸出y
- 軸突 = 權重W (調節強度)
- 突觸 = 偏差值b 
- 傳導方式 = 激活函數(非線性)(Sigmoid、ReLU、Tanh...)

捲積神經網路架構(CNN)

  • 透過卷積核(Kernels)滑動對圖像做訊息提取,並藉由步長(Strides)與填充 (Padding)控制圖像的長寬
  • 輸入圖像→[卷積組合→最大池化(Max Pooling)]*n→攤平(Flatten)→全連接層(Fully Connected layers)→分類
    https://ithelp.ithome.com.tw/upload/images/20230926/20161144ffXfca3wch.png

捲積層

功能:捲積層主要用於處理圖像或具有網格狀結構的數據,例如影像和音頻。
操作:它通過滑動一個稱為卷積核的小矩陣來提取特徵,並在輸入數據上執行卷積運算。這有助於檢測圖像中的特定模式和特徵。
應用:如圖像分類、物體檢測和分割。

池化層

功能:池化層用於減少特徵映射的尺寸,同時保留重要訊息,從而減少計算成本並增強模型的穩定性。
操作:最常見的池化操作是最大池化,它在特徵映射上滑動一個窗口並保留窗口中的最大值。
應用:池化層通常與捲積層交替使用,用於進一步處理圖像或特徵映射。

DropOut層

功能:Dropout層用於防止神經網絡的過度擬合(Overfitting)
操作:在訓練過程中,Dropout層會隨機地丟棄一定比例的神經元,使模型不能過度依賴特定的神經元,從而增強泛化能力。
應用:Dropout通常添加在全連接層之間,有助於提高模型的穩定性。

全連接層(Fully Connected Layer)

功能:全連接層是神經網絡中的經典層,用於將前一層的所有神經元連接到當前層的每個神經元。
操作:每個輸入神經元都與每個輸出神經元之間建立權重連接,並進行線性計算和非線性。
應用:全連接層通常用於模型的最後幾層,以進行最終的分類或回歸任務。


權值共享

  • 28x28x1的灰階照片(784個特徵),隱藏層使用100個神經元
  • 100*784 (weights)+100 (bias)= 78500個參數

上一篇
[DAY10] 人工智慧概論(一)
下一篇
[DAY12] 機器學習-監督式與非監督
系列文
關於我從基礎程設轉職到人工智慧入門30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言