知识卡片

普通读书笔记卡 · 3788.q.1 · 生成模型:未记录

卷积网络胜出

理解等级:中级

卷积网络利用局部连接与参数共享,在不同位置检测同类特征,再通过多层组合形成更复杂的表示。相比让每个输入与所有神经元全连接,这种结构更适配图像等网格数据,并减少参数需求。池化可汇总邻域响应,但会损失部分位置信息。CNN的历史成功还依赖训练算法、算力与数据,不能只归因于层数或生物灵感。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 人工智能的新时代 卷积、训练与学习反馈 · 查看原书依据

      卷积神经网络通过两个设计减少模型参数的数量:本地连接和参数共享。首先,与全连接网络不同,特征图中的每个神经元仅连接到前一层中的局部神经元组,即所谓的感受野。其次,给定特征图中的所有神经元共享相同的参数。因此,一张特征图中的所有神经元都会扫描

    参考来源

    - 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能的新时代,卷积、训练与学习反馈(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section03.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。 - 原始内容:卷积神经网络通过两个设计减少模型参数的数量:本地连接和参数共享。首先,与全连接网络不同,特征图中的每个神经元仅连接到前一层中的局部神经元组,即所谓的感受野。其次,给定特征图中的所有神经元共享相同的参数。因此,一张特征图中的所有神经元都会扫描