TensorFlow在图像识别上的应用 (1).pdf


立即下载 特狼普
2024-03-23
学习 网络 模型 神经 ? 深度 输出 分类 识别 函数
2.6 MB

目录
目录
深度学习简介
神经网络工作原理
TensorFlow实现图像识别
深度学习简介
深度学习简介
深度学习简介
搜索词“deep learning”(深度学习)在Google上的热度图
图像识别
图像识别
深度学习之前 深度学习之后
图像识别
图像识别
图像识别
图像识别
目录
目录
深度学习简介
神经网络工作原理
TensorFlow实现图像识别
神经网络模型
0
1
2
3
4
5
6
7
8
9
0
1
0
0
0
0
0
0
0
0
1
图像识别
文本分类
0
1
神经网络模型
神经网络模型
监督学习和无监督学习
监督式学习(英语:Supervised learning),是一个机器学习中的方法,可以由训练资料中
学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。训练资料是由
输入物件(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值(称为回归分
析),或是预测一个分类标签(称作分类)
非监督式学习是一种机器学习的方式,并不需要人力来输入标签。它是监督式学习和强化学
习等策略之外的一种选择。典型的非监督学习有聚类等,直接从数据的特征中寻找相似性。
神经网络模型
神经网络模型
神经网络模型
几种常见的激活函数
神经网络模型
Sigmoid激活层: 用于二分类问题
??????? ? ? = ??
′ =
???
?=1
? ???
假设输出的是[?1, ?2, ?3 ⋯??],经过Softmax回归层后,所有的??都将被限定在[0, 1]之间, ??的和是1。
Softmax激活层: 用于多分类问题
s??????(?) =
1
1+?−?
使用sigmoid解决二分类时一般只有一个输出y。
神经网络模型
损失函数: 计算输出和真实标签之间的关系。
1. 交叉熵
• ? ?, ? = − ? ? ? ??? ?(?)
• p是真实的分布,q是模型预测出来的分布。交叉熵是非对称的,描述的是假设一个预测的概率分布q服从的是真实分布p
所需要的平均信息量。如果


学习/网络/模型/神经/?/深度/输出/分类/识别/函数/ 学习/网络/模型/神经/?/深度/输出/分类/识别/函数/
-1 条回复
登录 后才能参与评论
-->