前言
深度学习是当今人工智能领域的核心技术,基于深度学习的技术的应用和推广,如今图像识别,声纹识别及自然语言处理得到了飞速的发展和广泛的应用。
深度学习的概念
深度学习是基于神经网络的技术,神经网络又分为CNN、RNN、DNN。
RNN主要应用在自然语言处理,自然语言处理,包括识别文本,智能问答等,DNN主要应用在个性化推荐,根据您在网络浏览搜索的内容,推荐您可能感兴趣的东西,CNN主要应用在图像识别及声纹识别的领域和技术中。
卷积神经网络
卷积公式
y(t)=f(t)∗g(t)=∫∞−∞f(u)g(t−u)duy(t)=f(t)∗g(t)=∫−∞∞f(u)g(t−u)du
它是通过两个函数 f(t) 和 g(t) 来生成第三个函数的一种数学算子。从负无穷到正无穷遍历全部 u 值,把 g(t-u) 的值乘以 f(u) 的值之后再进行累加,得到关于该累加操作的关于 t 的函数。从另一个角度看,卷积就是一种加权求和。
卷积神经网络与普通神经网络的区别在于,卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中,一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中,通常包含若干个特征平面(featureMap),每个特征平面由一些矩形排列的的神经元组成,同一特征平面的神经元共享权值,这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化,在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接,同时又降低了过拟合的风险。子采样也叫做池化(pooling),通常有均值子采样(mean pooling)和最大值子采样