您可以免费观看前 5 分钟或一小节,完整观看请购买。  点此购买


本视频共计59分钟,本节课首先介绍了卷积神经网络的其他基本单元:池化层、激活层、BN层和全连接层。这些基本单元丰富了神经网络的结构,并引入非线性单元,加强了神经网络的拟合能力。同时BN层的引入增强了网络的稳定性,降低了网络的训练难度。

其次本节课介绍了最初的三个卷积神经网络结构:LeNet、AlexNet、ZFNet。这三个基本结构是奠定卷积神经网络后续结构发展的基础。LeNet证明了卷积神经网络可以学习比较复杂的任务——手写体数字识别;AlexNet进一步证明即使在ImageNet这样复杂的数据集上,卷积神经网络依然可以有很好的效果;ZFNet则通过大量的实验对卷积神经网络中间层做可视化处理,首先试图解释卷积神经网络的学习能力和基本原理。



课3.pdf

购买观看完整解读及视频