- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Свёрточные нейронные сети. Часть 1: Основные понятия, архитектура презентация
Содержание
- 1. Свёрточные нейронные сети. Часть 1: Основные понятия, архитектура
- 2. План Туториалы и домашнее задание Мотивация Свёртки, Stride, Padding Свёрточный слой CNN AlexNet
- 3. TensorFlow tutorials
- 4. Kaggle
- 5. Домашка
- 6. Мотивация Из книги Ф. Розенблата «Основы нейродинамики»
- 7. Архитектура(зрительной коры)
- 8. Архитектура(многослойный перцептрон)
- 9. AlexNet
- 10. Как выглядят наши данные? Существует много разных
- 11. Как выглядят наши данные? Главный представитель для
- 12. Как выглядят наши данные? В данном случае
- 13. Свёртка(интуиция) Распознавание объектов на изображении должно осуществляться
- 14. Свёртка 2D gif was stolen from Wiki
- 15. Свёртка 3D Слайд из презентации Andrew Ng
- 16. Padding
- 17. Stride
- 19. Свёрточный слой
- 20. Свёрточный слой
- 21. Свёрточный слой
- 22. Свёрточный слой Сколько параметров в свёрточном слое
- 23. CNN это Свёрточные слои FC-слои Pooling-слои
- 24. Pooling layer Max Pooling Average Pooling
- 25. AlexNet
- 26. AlexNet
- 27. AlexNet
- 28. Интересные факты
План Туториалы и домашнее задание Мотивация Свёртки, Stride, Padding Свёрточный слой CNN AlexNet
Слайд 10Как выглядят наши данные?
Существует много разных типов данных, но все они,
вообще говоря, представляют собой некоторый многомерный массив «тензор»
Данные, как правило, имеют определённую структуру. Направления по осям неравнозначные (напр. шкала времени)
Данные, как правило, имеют определённую структуру. Направления по осям неравнозначные (напр. шкала времени)
Слайд 11Как выглядят наши данные?
Главный представитель для нас – изображения. В данном
случае изображение
цветное, поэтому каждый пиксель это три числа, соответствующие своим
каналам RGB, т.е. цветное изображение RGB это трёхмерные «тензоры»
цветное, поэтому каждый пиксель это три числа, соответствующие своим
каналам RGB, т.е. цветное изображение RGB это трёхмерные «тензоры»
Слайд 12Как выглядят наши данные?
В данном случае изображения чёрно-белые и задаются матрицами
интенсивностей, т. е. представляют собой двухмерные «тензоры»
Слайд 13Свёртка(интуиция)
Распознавание объектов на изображении должно осуществляться безотносительно их положения
Нужно использовать наши
знания о структуре и топологии данных(в обычных полносвязных сетях этого нет)
Слайд 22Свёрточный слой
Сколько параметров в свёрточном слое с 10 фильтрами размером 3
х 3 х 3?
Ответ 280
Ответ 280
