说一下卷积神经网络
首先是LeNet，七层结构，也就是早期的神经网络，但是中途一直没有得到发展，直到2012年出现了AlexNet,采用了(数据增强，大数据集（imagenet），dropout，relu激活函数，同时使用了GPU)这些技巧，使得准确率得到显著提升；VGG提出了一个新的概念，用小的卷积核的堆叠来替代大的卷积核，更加精确，也更深，使用了33的卷积来代替原先的1111和5*5的卷积核；ResNet网络深到极致，采用了一种将之前的网络层输出也作为当前层的输入来防止网络过深造成的梯度消失现象；
既然深到了极致，又开始考虑能不能把网络拓宽，提出了inception v1的网络结构，使用了不同尺寸的卷积核，增加了网络的宽度，同时增加了网络对尺度的适应性，后来由于直接用不同尺寸进行卷积参数量巨大，采用了一个trick，在之前加入了一个11的卷积核进行运算，有效减小了参数；inception v2就仿照了VGG的特点，用2个33的卷积核来代替55的卷积核进一步减小参数；既然如此，做到极致那么nn的卷积核可以用n1和1n的卷积核来代替，参数减少，同时网络更深，输入的尺寸由299299变为了224224,；Xception的提出基于一个假设，也就是空间相关性和通道相关性是可分离的，因此是采用了先进行一个整体的11的卷积操作，但每个通道形成的featuremap不进行叠加，而是对这些通道上所有的featuremap进行正常的多个33卷积，得到结果，模型变得很宽，参数没发生大变化，但是在性能上得到了提升。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
下午好在第一阶段，在卷积神经网络（输入层）的输入上，我们接收一个源图像（因此是手写英文字母的图像）。首先，我们使用一个从左到右的nxn窗口来扫描图像并在内核（卷积矩阵）上乘法来构建特征映射？但没有人写过内核应该具有什么样的精确值（换句话说，我应该将从n*n窗口检索到的数据相乘到什么样的内核值）。是否适合在这个用于边缘检测的卷积核上乘以数据？有许多卷积核（浮雕、高斯滤波器、边缘检测、角度检测等）？但
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Krizhev