深度学习相关理论

一、深度学习相关理论

1.神经网络概述

 

 

 

 

 

2. 卷积神经网络CNN

参考文章：卷积神经网络（CNN）详细介绍及其原理详解

 

①卷积层——计算方法是大矩阵内部×小矩阵=较小矩阵，作用是特征提取

 

 

②池化层——计算方法是大矩阵通过选取最大值或是平均值变成小矩阵，作用是降维、提高计算效率，防止过拟合

Ⅰ. 最大池化；

Ⅱ. 平均池化；

 

 

③全连接层——计算方法是将矩阵展开为一维向量，作用是综合之前层（如卷积层或池化层）提取的特征，起到输出最终结果的作用

 

 

 

 

3. 循环神经网络RNN及其改进型LSTM（长短期记忆网络）

①RNN

 

 

②LSTM

 

 

 

 

 

 

4. 激活函数——将输入信号转换为非线性的形式，使神经网络能够表示复杂的非线性关系，除此之外，还可以限制输出范围、缓解梯度消失问题

 

①Sigmoid函数——适用于二分类问题

 

 

②Tanh激活函数——常用于隐藏层中，尤其在循环神经网络（RNN）和长短期记忆网络（LSTM）等结构中。然而，由于其存在梯度消失的问题，有时候也会被其它激活函数如 ReLU 所取代

 

 

③ReLU激活函数——计算简单，可以缓解梯度消失，缺点是无法对负值做出有效反馈

 

 

④Leaky ReLU函数

 

 

 

 

5. 损失函数——衡量预测值和真实值之间的差异，结合优化算法（如梯度下降），更新模型参数

 

 

 

 

5. 注意力机制

 

 

 

 

 

 

 

 

---

 

二、人脸识别

1. 人脸识别基本流程

 

 

 

 

2. 人脸识别评价指标

 

 

 

 

 

 

---

 

三、经典模型

1. YOLO

参考文章：YOLOv1---YOLOv5论文解读

你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (上)

你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (中)

你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (下)

 

 

①YOLO V5

没有发表论文，github地址：https://github.com/ultralytics/yolov5

 

 

 

 

---