第 10 章 智能技术基础.pptVIP

******************************************************************Tensorflow简介（续）TensorFlow支持多种客户端语言下的安装和运行，可以绑定完成并支持版本兼容运行的语言为C和Python，其它（试验性）绑定完成的语言为JavaScript、C++、Java等。?TensorFlow提供Python语言下的四个不同版本：CPU版本tensorflow及GPU加速的版本tensorflow-gpu。安装Python版TensorFlow可以使用模块管理工具pip/pip3??或anaconda并在终端直接运行软件架构*/slides/2017深度学习代码框架主要有两种结构：过程的结构类的结构Tensorflow过程结构实例类的结构类的使用计算图代码*/slides/2017Tensorflow代码*/slides/20178.PyTorch简介PyTorch是一个基于Torch的Python机器学习包，它是一个基于编程语言Lua的开源机器学习包主要特点：具有强大的GPU加速度的张量计算（如NumPy）自动微分建立和训练神经网络与TensorFlow不同TensorFlow在运行模型之前必须先定义整个计算图PyTorch允许动态定义图。PyTorch实例PyTorch实例用Variable和自动求导来实现两层网络；不需要手动进行反向传播PyTorch实例定义一个autograd函数来执行ReLU非线性映射，并使用它实现两层的网络PyTorch实例（续）定义一个autograd函数来执行ReLU非线性映射，并使用它实现了一个两层的网络PyTorch实例—类的方式PyTorch实例—类的方式使用类********一个函数加输入和输出********卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种前馈神经网络CNN受生物学上感受野（ReceptiveField）的机制而提出，感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质比如在视觉神经系统中，一个神经元的感受野是指视网膜上的特定区域，只有这个区域内的刺激才能够激活该神经元5.卷积神经网络为什么要引入CNN在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢例如一张黑白的28×28的手写数字图片，输入层的神经元就有784(28×28)个/pingzhe/articles/7263079.html全连接神经网络需要训练参数过多若在中间只使用一层隐藏层，参数w就有784×15=11760多个；若输入的是28×28带有颜色的RGB格式的手写数字图片，输入神经元就有28×28×3=2352（RGB有3个颜色通道）个。这很容易看出使用全连接神经网络处理图像中的需要训练参数过多的问题。CNN大大减少要训练参数数量在卷积神经网络（ConvolutionalNeuralNetwork，CNN）中，卷积层的神经元只与前一层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元之间的连接的权重w和偏移b是共享的（即相同的），这样大量地减少了需要训练参数的数量。卷积神经网络卷积神经网络CNN的结构一般包含这几个层：输入层：用于数据的输入卷积层：使用卷积核进行特征提取和特征映射激励层：由于卷积也是一种线性运算，因此需要增加非线性映射池化层：进行下采样，对特征图稀疏处理，减少数据运算量。全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失输出层：用于输出结果卷积神经网络卷积层：用卷积来代替全连接全连接前馈神经网络中,如果第l层有nl个神经元，第l?1层有n(l?1)个神经元，连接边有n(l)×n(l?1)个，也就是权重矩阵有n(l)×n(l?1)个参数。当m和n都很大时，权重矩阵的参数非常多，训练的效率会非常低。如果采用卷积来代替全连接：参数大大减少卷积神经网络卷积神经网络结构卷积层全连接层6.卷积神经网络及特征

*/slides/2017卷积层*/slides/2017卷积层*/slides/