机器学习—Additional Layer Types

news2024/11/14 12:01:26

到目前为止,我们使用的所有神经网络都是密集型的,一层中的每个神经元,上一层的所有激活,事实证明,仅仅使用密集层类型,可以建立一些非常强大的学习算法,并帮助你建立关于神经网络能做什么的进一步直觉,原来还有一些其他类型的层。

我们一直在利用神经元的激活,第二个隐藏层是每个单个激活值的函数,但事实证明,对于某些应用程序,设计神经网络的人可能会选择使用不同类型的层。

可能在某些工作中看到的另一种层类型,称为卷积层。举个例子来阐述,左边是输入X,是一个手写的数字九,构建一个隐藏层,它将计算不同的激活作为输入图像x的函数,但可以为第一个隐藏单元做些什么,画的是蓝色的,而不是说这个神经元可以看到图像中的所有像素,这个神经元只能观察这个小矩形区域的像素,第二个神经元,用洋红色来说明,也不会看整个输入图像x,相反,它只看像素,在图像的有限区域内,以此类推,对于第三个和第四个神经元,以此类推,一直到最后的神经元,它可能只看图像的那个区域,为什么只看一些像素而不是所有像素?它加快了计算速度,第二个优点是使用这种层的神经网络称为卷积层可以需要更少的训练数据,或者,它也不太容易过度拟合,当我们谈论使用学习算法的实用技巧时,这种类型的层,每个神经元只看一个区域,输入图像称为卷积层。

如何让卷积层发挥作用并推广使用?

如果你在神经网络中有多个卷积层,有时这叫卷积神经网络,为了说明卷积层,使用一维图像输入而不是二维,使用EKG,所以如果你在胸口放两个电极,你将记录如下所示的电压,与你的心跳相对应,实际上是在读取心电图信号,这些信号看起来像这样,试图诊断,如果病人有心脏问题,所以心电图信号有一个数字列表,对应于这个表面的高度,在不同的时间点,所以可能会有100个数字对应于这条曲线的高度,在100个不同的时间点,给出这个时间序列的学习任务,给这个心电图信号来分类,说这个病人是否有心脏病或一些可诊断的心脏病,以下是卷积神经网络可能做到的事情,我要接受心电图信号,把它旋转90度放在一边,所以我们这里由100个输入,X1,X2,....X100,当构造第一个隐藏层时,而不是有一个隐藏的单位,将所有100个数字作为输入,让我有第一个隐藏的单位,只看X1到X20,所以这相当于只看心电图信号的一个小窗口,第二个隐藏层在这里以不同的颜色显示,我们将从X11到X30,所以在心电图信号中看到了一个不同的窗口,第三个隐藏层看着另一个窗口,X21到X40,以此类推,X81到X100,它在心电图时间序列的末尾的一个小窗口,所以这是一个卷积层,因为这一层中的每一个单元只查看输入的有限窗口,现在神经网络的这一层有九个单元,下一层也可以是卷积层,所以在第二个隐藏层构建单元,不要查看上一层的所有九个激活,假设前一层的前五个激活,然后在第二层隐藏层的第二个单元可能会看到另外五个数字,这一层的第三个也是最后一个隐藏单元只会看到一个5,可能最后这些激活,a2得到一个Z状结肠单元的输入,确实考虑了2的所有三个值,为了对心脏病的存在或不存在进行二元分类,这是一个神经网络的例子,第一个隐藏层是卷积层,第二个隐藏层也是卷积层,然后输出层是Z状结肠层,事实证明,对于卷积层,有许多体系结构选择,例如单个神经元应该观察的输入窗口有多大,每层有多少个神经元通过有效的选择这些架构参数,可以建立新版本的神经网络,对于一些应用程序来说,这甚至比密集层更有效。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2239227.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

力扣 LeetCode 206. 反转链表(Day2:链表)

解题思路: pre ,cur双指针 需要通过tmp暂存cur的下一个位置,以方便cur的下一步移动 class Solution {public ListNode reverseList(ListNode head) {ListNode pre null;ListNode cur head;while (cur ! null) {ListNode tmp cur.next;c…

硬件---4电感---基本概念与特性

一电感是什么 1电感的概念 电感就是一根导线加一个磁性原料。生活中,所有由线圈组成的器件都是电感。 如下图,常见的电感封装,有裸露的也有贴片的。 二电感的基本特性 1流过电感的电流不能发生突变 注意和电容的区别,一个是…

【软件工程】深入理解一下SOA(面向服务的架构)

关于SOA的一些看法 概述SOA的核心特性包括:一、服务自治与独立性二、松耦合与标准化三、服务重用与粒度四、服务可发现与安全 五、其他核心原则SOA的应用领域非常广泛,包括:SOA的一些挑战包括: 🚀 SOA在云计算中的应用…

【论文复现】ChatGPT多模态命名实体识别

📝个人主页🌹:Eternity._ 🌹🌹期待您的关注 🌹🌹 ❀ChatGPT ChatGPT辅助细化知识增强!1. 研究背景2. 模型结构和代码3. 任务流程第一阶段:辅助精炼知识启发式生成第二阶段…

隆盛策略正规炒股恒生科技指数跌4.19%,中芯国际跌近8%

查查配分析11月12日,香港恒生指数收跌2.84%,恒生科技指数跌4.19%。中兴通讯跌超9%,中芯国际跌近8%,蔚来跌超6%,美团、京东集团、理想汽车均跌超5%。 11月12日,港股跌幅扩大,恒生科技指数跌超4%,恒生指数跌超3%。 隆盛策略以其专业的服务和较低的管理费用在市场中受到不少关注。…

MFC图形函数学习07——画扇形函数

绘制扇形函数是MFC中绘图的基本函数,它绘制的仍是由椭圆弧与椭圆中心连线构成的椭圆扇形,特例是由圆弧与圆心连线构成的圆扇形。 一、绘制扇形函数 原型:BOOL Pie(int x1,int y1,int x2,int y2,int x3,int y3,int x4,int y4); …

qt QHttpMultiPart详解

1. 概述 QHttpMultiPart是Qt框架中用于处理HTTP多部分请求的类。它类似于RFC 2046中描述的MIME multipart消息,允许在单个HTTP请求中包含多个数据部分,如文件、文本等。这种多部分请求在上传文件或发送带有附件的邮件等场景中非常有用。QHttpMultiPart类…

SpringBoot使用TraceId日志链路追踪

项目场景: 有时候一个业务调用链场景,很长,调了各种各样的方法,看日志的时候,各个接口的日志穿插,确实让人头大。为了解决这个痛点,就使用了TraceId,根据TraceId关键字进入服务器查询…

SSE (Server-Sent Events) 服务器实时推送详解

Server-Sent Events 一、什么是 SSE ?二、SSE 的工作原理三、SSE 的基本配置1.HTTP 请求和响应头设置2.SSE 字段介绍3.SSE 事件数据流示例 四、SseEmitter 的基本配置1.SseEmitter 介绍及用法2.使用 SseEmitter 示例11)编写核心 SSE Client2)编写 Controller3)前端接收与处理 …

【C++】踏上C++的学习之旅(六):深入“类和对象“世界,掌握编程的黄金法则(一)

文章目录 前言1. "面向过程"和"面向对象"的碰撞1.1 面向过程1.2 面向对象 2. "类"的引入3. "类"的定义3.1 🍉语法展示:3.2 "类"的两种定义方式3.3 "类"的命名规则 4. 类的访问限定符以及封…

机器学习:梯度提升树(GBDT)——基于决策树的树形模型

梯度提升树(Gradient Boosting Decision Trees,GBDT)是一种强大的机器学习方法,广泛用于回归和分类任务。它通过构建一系列决策树来优化模型的预测能力,基于梯度提升框架,使得每一棵树都试图纠正前一棵树的…

Spark SQL大数据分析快速上手-伪分布模式安装

【图书介绍】《Spark SQL大数据分析快速上手》-CSDN博客 《Spark SQL大数据分析快速上手》【摘要 书评 试读】- 京东图书 大数据与数据分析_夏天又到了的博客-CSDN博客 Hadoop完全分布式环境搭建步骤-CSDN博客,前置环境安装参看此博文 伪分布模式也是在一台主机上运行&…

github使用基础

要通过终端绑定GitHub账号并进行文件传输,你需要使用Git和SSH密钥来实现安全连接和操作。以下是一个基本流程: 设置GitHub和SSH 检查Git安装 通过终端输入以下命令查看是否安装Git: bash 复制代码 git --version配置Git用户名和邮箱 bash …

Python OpenCV孤立点检测

孤立点检测 在Python中使用OpenCV进行孤立点(异常点)检测,可以通过应用统计分析或者使用OpenCV的findContours和convexHull函数来识别。以下是一个简单的例子,使用OpenCV的findContours和convexHull来识别并绘制孤立点。 孤立点…

Vue自定义指令详解——以若依框架中封装指令为例分析

自定义指令 在Vue.js中,自定义指令提供了一种非常灵活的方式来扩展Vue的功能。以下是对Vue中自定义指令的详细解释: 一、自定义指令的基本概念 自定义指令允许开发者直接对DOM元素进行低层次操作,而无需编写大量的模板或者JavaScript代码。…

云渲染:服务器机房与物理机房两者有什么区别

云渲染选择服务器机房与物理机房两者主要区别在哪里呢? 服务器机房和物理机房作为云渲染的基础设施,各自扮演着不同的角色。 服务器机房的特点 服务器机房,通常指的是那些专门用于托管服务器的设施,它们可能位于云端&#xff0c…

即插即用篇 | YOLOv8 引入 代理注意力 AgentAttention

Transformer模型中的注意力模块是其核心组成部分。虽然全局注意力机制具有很强的表达能力,但其高昂的计算成本限制了在各种场景中的应用。本文提出了一种新的注意力范式,称为“代理注意力”(Agent Attention),以在计算效率和表示能力之间取得平衡。代理注意力使用四元组(Q…

机器学习基础02

目录 1.特征工程 1.1特征工程概念 1.2特征工程的步骤 1.3特征工程-特征提取 1.3.1字典特征提取 1.3.2文本特征提取 英文文本提取 中文文本提取 1.3.3TF-IDF文本特征词的稀有程度特征提取 2.无量纲化 2.1归一化 2.2标准化 2.3fit、fit_transform、transform 3.特征…

vue-h5:在h5中实现相机拍照加上身份证人相框和国徽框

1.基础功能 参考: https://blog.csdn.net/weixin_45148022/article/details/135696629 https://juejin.cn/post/7327353533618978842?searchId20241101133433B2BB37A081FD6A02DA60 https://www.freesion.com/article/67641324321/ https://github.com/AlexKrat…

【Elasticsearch入门到落地】1、初识Elasticsearch

一、什么是Elasticsearch Elasticsearch(简称ES)是一款非常强大的开源搜索引擎,可以帮助我们从海量数据中快速找到需要的内容。它使用Java编写,基于Apache Lucene来构建索引和提供搜索功能,是一个分布式、可扩展、近实…