神经网络的基础

最新推荐文章于 2025-08-09 19:00:51 发布
最新推荐文章于 2025-08-09 19:00:51 发布
阅读量434 收藏 6
点赞数 3
CC 4.0 BY-SA版权
文章标签： 神经网络 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_48496633/article/details/149843945

序言，本文讲解了一些神经网络的基础知识以及基本简单，卷积网络模块例如VGG，Resnet等等

卷积神经网络：

CNN本质特征：局部感知，权重共享，平移不变性。

但是①细微特征（例如颜色）获取不了，②长距离以来问题

图片特征：包括轮廓，纹理，颜色，大小。

卷积擅长提取：图片特征

LeNet5网络

深度卷积神经网络AlexNet

VGG网络

GoogleNet网络

合并连接网络GoogleNet

网络的中间层特征对学习是有益的，GoogleNet多尺度损失头结合loss =0.3*loss_one + 0.3loss_two + 1.2*loss_main

浅层--->提取几何特征 深层-->提取语义特征

tips： 调整多头loss的惩罚系数比例有利于提升准确率，系数越大学习的越多(有概率只留mian头反而效果更好)

残差网络ResNet

ResNet解决了网络退化问题，不是解决了梯度消失的问题，可以缓解梯度消失

目的：再加一层不会让上一层的特征变得更差。

做法：H(x) = X:上一层输出 +F(x)：中间网络层

残差的模式

其他补充：

神经元一定是要经过线性变换和非线性变换两种变换的

小拇指～
关注
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 12万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
神经网络基础及规则
程序猿小九九的博客
05-13 3103
神经网络基础及规则1. 神经元模型2. 激活函数3. 神经网络模型分类前馈型神经网络（FeedForward NN）反馈型神经网络（FeedBack NN）4. 学习规则赫布学习规则（Hebb学习规则）离散感知学习规则连续感知器学习规则：δ规则最小均方学习规则（LMS规则）相关学习规则竞争学习&胜者为王外星学习规则 1. 神经元模型 特点： 多个输入，单个输出 不同输入权重不同 多输入累加整合 阈值特性 2. 激活函数 激活函数（Activation Function）：也叫连接函数、传递
【人工智能基础07】卷积神经网络基础（CNN）：卷积神经网络结构、各层计算原理，以及常见卷积神经网络
hiliang521的博客
08-03 6249
卷积神经网络
神经网络基础
si_ying的博客
06-03 6768
接下来详细讲一下梯度的计算。对于一个具有 1 个输出和。
卷积神经网络基础知识
热门推荐
weixin_44498476的博客
04-13 1万+
卷积神经网络基础知识:输入输出、网络结构、损失函数和评价指标。
神经网络基础详解
yangke
11-08 9681
神经网络基础 1、感知机：计算机模拟大脑经行信息处理的过程。有n个输入数据，通过权重与各数据之间的计算和，比较激活函数结果，得出输出。解决分类问题。 http://playground.tensorflow.org
一文搞懂深度学习：神经网络基础部分
不要给自己设限，尝试更多可能（思所向 皆可往）
04-25 2857
本文将从神经网络定义、深度学习定义、深度学习历史、基础神经网络来简单介绍神经网络的基础部分。1、神经网络定义神经网络也称为人工神经网络（ANN）或模拟神经网络（SNN），是机器学习的子集，也是深度学习的算法支柱；被称为“神经”， 是因为它模仿大脑中神经元相互发出信号；很多科学发明都是从大自然中获得了想法，比如飞机的发明是受鸟类的启发，神经网络是一种受人脑启发的机器学习算法，它是一个由互连节点或人工神经元组成的网络，可以学习识别数据中的模式。
神经网络基础知识
哈喽
03-24 4217
神经网络基础知识简介
[Deep Learning] 神经网络基础 .pdf
06-11
[Deep Learning] 神经网络基础 .pdf[Deep Learning] 神经网络基础 .pdf[Deep Learning] 神经网络基础 .pdf[Deep Learning] 神经网络基础 .pdf[Deep Learning] 神经网络基础 .pdf[Deep Learning] 神经网络基础 .pdf...
【图书推荐】《图神经网络基础、模型与应用实战》
brucexia的专栏
05-27 1446
图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、药物发现、网络安全、金融风控等。本书旨在为初学者和实践者提供一个详细、全面的入门指南，围绕图神经网络基础、模型、应用实战（均采用Python+PyTorch实现）等方面进行介绍。本书配套示例源码、数据集、PPT课件。
神经网络与深度学习(三）——卷积神经网络基础
weixin_46424753的博客
04-23 1657
是什么？PyTorch是一个 Python 的深度学习库。它最初由Facebook人工智能研究小组开发而优步的Pyro软件则用于概率编程。最初PyTorch由Hugh Perkins开发作为基于Torch框架的LusJIT的Python 包装器。PyTorch在Python中重新设计和实现Torch同时为后端代码共享相同的核心C库。除了Facebook之外Twitter、GMU和Salesforce等机构都采用了PyTorch。到目前据统计已有80%的研究采用PyTorch包括Google。
MIT成果登上Nature！液态神经网络YYDS
2501_92785035的博客
08-06 996
受扰动神经网络势（PNNP）：提出了一种新的分子动力学模拟方法，通过将总原子力表示为标准神经网络势（代表未扰动势能面）和由电场诱导的扰动（通过原子极化张量表示）的和来实现。紧凑网络结构：提出了紧凑的神经回路策略（NCP），仅用19个控制神经元和253个突触连接，实现了从高维输入到转向命令的映射，显著优于现有的大规模黑盒学习系统。计算效率：与传统的深度学习模型相比，NCP在保持高性能的同时，显著降低了模型的复杂度和计算成本。
HarvardX TinyML小笔记1（番外2：神经网络）
最新发布
fanged的专栏
08-09 68
本文介绍了神经网络的基本概念和实际应用，通过哈佛TinyML课程展示了单层和双层神经网络的实现。文章详细解释了权重(w)和偏置(b)的作用，并比较了两种网络结构的性能差异。代码示例使用TensorFlow和Keras构建神经网络模型，训练后预测结果接近真实值18.999998。最后讨论了如何根据任务复杂度选择网络层数和神经元数量，提供了调试技巧：欠拟合时增加复杂度，过拟合时减少或加入正则化。全文以实践为导向，帮助初学者理解神经网络的应用层面。
机器学习（西瓜书）第五章 神经网络
在猴站学算法
08-08 773
本文是《机器学习》（周志华）第五章的读书笔记，重点介绍了神经网络的基本原理和常见模型。文章首先解释神经元模型和M-P神经元的工作原理，然后介绍感知机与多层网络的结构及局限性。详细讲解了误差逆传播算法（BP）的标准算法框架、累积BP算法及缓解过拟合的方法。此外，还探讨了全局最小与局部极小的优化问题，并介绍了RBF网络、ART网络、SOM网络等常见神经网络模型的特点。最后讨论了深度学习的概念，包括多隐层网络训练方法和特征学习的重要性。文章力求简化数学公式，帮助读者理解神经网络的核心思想。
多尺度建模新范式：当神经网络融入ABAQUS，复合材料仿真迎来“物理+数据“双引擎！
xiaoxiaoxiaolll的博客
08-08 93
AI有限元专题五大核心内容：1）多尺度建模技术融合，结合有限元与神经网络方法；2）以ABAQUS二次开发为核心的工业级工具链实战；3）涵盖从基础理论到深度学习的渐进式技术体系；4）创新性"物理+数据"双驱动建模方法，提升模型可解释性；5）培养端到端系统交付能力，实现学术成果到工业应用的转化。专题注重理论深度与实践应用，构建完整的仿真-学习技术链。
神经网络----卷积层（Conv2D）
m0_69126768的博客
08-01 307
我们将卷积后的图片在tensorboard上展示。我们将之前学的数据集，进行conv2d卷积。
基于肌电信号的神经网络动作识别系统
max500600的博客
08-07 944
本文提出了一种基于肌电信号(EMG)和深度学习的动作识别系统。系统采用卷积神经网络(CNN)处理8通道、200个时间点的EMG信号，实现了对5种手部动作的分类。研究内容包括数据生成与标准化处理、CNN模型构建(包含3个卷积层和全连接层)、模型训练与评估(准确率、混淆矩阵、ROC曲线等)。通过标准化预处理和分层抽样，系统在模拟数据集上展现出良好的分类性能。该方法为肌电信号的动作识别提供了一种有效的深度学习解决方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值