第3章 深度卷积神经网络基础.pptx

第3章深度卷积神经网络基础

目录CONTENTS3.1监督学习和无监督学习3.2欠拟合和过拟合3.3反向传播3.4损失和优化3.5激活函数3.6卷积神经网络基础

第3章深度卷积神经网络基础深度学习是机器学习的一个分支,它从有限的样本数据中通过算法总结出一般性的规律,然后将这些规律应用到新的未知数据上。它的核心模型是神经网络,而神经网络存在多种不同的形式,包括递归神经网络、卷积神经网络、人工神经网络和前馈神经网络等。深度卷积神经网络(deepconvolutionalneuralnetworks,DCNN)是一类在计算机视觉领域广泛应用的深度学习模型,主要用于图像识别、目标检测、图像分割等任务。

第3章深度卷积神经网络基础它是一种特殊的神经网络,能够自动提取图像的特征,使得对图像的处理更加高效和准确。本章将介绍深度卷积神经网络的一些基础知识,这些知识将为后续章节的学习奠定基础。小知识图像滤波可以去除噪声，增强图像质量，常用的滤波方法有均值滤波、高斯滤波等。

监督学习和无监督学习3.1

3.1监督学习和无监督学习监督学习(supervisedlearning)和无监督学习(unsupervisedlearning)是在机器学习中经常被提及的两个重要的学习方法,下面通过一个生活中的实例对这两个概念进行理解。假如有一堆由苹果和梨混在一起组成的水果,需要设计一个机器对这堆水果按苹果和梨进行分类,但是这个机器现在并不知道苹果和梨是什么样的,所以首先要拿一堆苹果和梨的照片,告诉机器苹果和梨分别长什么样;经过多轮训练后,机器已经能够准确地对照片中的水果类别做出判断,并且对苹果和梨的特征形成自己的定义;之后让机器对这堆水果进行分类,看到这堆水果被准确地按类别分开。这就是一个监督学习的过程。

3.1监督学习和无监督学习如果没有提供苹果和梨的照片作为训练数据,机器自然不会具备识别这两种水果的能力。然而,如果允许机器对这一堆未标记的水果图像进行分类,那么机器将通过无监督学习过程自动发现和提取出苹果和梨的特征。这种无监督学习的过程能够使机器自动学习和归纳出苹果和梨的外貌特征,从而更加接近人们期望的人工智能水平。

3.1.1监督学习可以对监督学习做如下简单定义:提供一组输入数据和其对应的标签数据,然后搭建一个模型,让模型在通过训练后准确地找到输入数据和标签数据之间的最优映射关系,在输入新的数据后,模型能够通过之前学到的最优映射关系快速地预测出这组新数据的标签。这就是一个监督学习的过程。在实际应用中有两类问题使用监督学习的频次较高,这两类问题分别是回归问题和分类问题。3.1监督学习和无监督学习

回归问题就是使用监督学习的方法,让我们搭建的模型在通过训练后建立起一个连续的线性映射关系,其重点如下。1.回归问题3.1监督学习和无监督学习(1)通过提供数据训练模型,让模型得到映射关系并能对新的输入数据进行预测。(2)得到的映射模型是线性连续的对应关系。

下面通过图3-1来直观地看一个线性回归问题。图3-1中提供的数据是二维的,其中X轴表示房屋面积,Y轴表示房屋价格,用叉号表示的单点是房屋价格和房屋面积相对应的数据。在该图中有一条弧形的曲线,这条曲线就是我们使用单点数据通过监督学习的方法最终拟合出来的线性映射模型。无论我们想要得到哪种房屋面积对应的房屋价格,通过使用这个线性映射模型都能很快地做出预测。这就是一个线性回归的完整过程。线性回归的使用场景是人们已经获得一部分有对应关系的原始数据,并且问题的最终答案是得到一个连续的线性映射关系,其过程就是使用原始数据对建立的初始模型不断地进行训练,让模型不断拟合和修正,最后得到人们想要的线性模型,这个线性模型能够对人们之后输入的新数据准确地进行预测。3.1监督学习和无监督学习

分类问题就是让人们搭建的模型在通过监督学习之后建立起一个离散的映射关系。分类模型和回归问题在本质上有很大的不同,它依然需要使用提供的数据训练模型让模型得到映射关系,并能够对新的输入数据进行预测,不过最终得到的映射模型是一种离散的对应关系。图3-2所示就是一个分类模型的实例。2.分类问题3.1监督学习和无监督学习

在图3-2中使用的依然是两个维度的数据,X轴表示肿瘤尺寸,Y轴表示肿瘤属性,即良性肿瘤还是恶性肿瘤。因为Y轴只有两个离散的输出结果,即0和1,所以用0表示良性肿瘤,用1表示恶性肿瘤。通过监督学习的方法对已有的数据进行训练,最后得到一个分类模型,这个分类模型能够对人们输入的新数据进行分类,预测它们最有可能归属的类别,因为这个分类模型最终输出的结果只有两个,所以人们通常也把这种类型的分类模型称为二分类模型。分类模型的输出结果有时不仅仅有两个,也可以有多个,多分类问题与二分类问题相比会更复杂。也可以将刚才的实