卷积神经网络最早由谁提出?
卷积神经网络是谁发明的?
卷积神经网络?哦,那玩意儿,我记得好像是 Yann LeCun 搞出来的,对吧?
Yann LeCun,AT&T 贝尔实验室的,1989年,时间有点久远了哈。他当时好像是为了识别图像里的手写数字,才弄出这东西的。我记得在哪儿看到过他那篇论文,LeCun et al., 1998,好像是这么写的。
不过说真的,虽然我不是搞 AI 的,但我总觉得,这些模型的名字都应该更酷一点,哈哈。
卷积神经网络是谁提出来的?
Yann LeCun,现任Meta首席AI科学家。
- 关键贡献: 率先应用卷积神经网络于MNIST手写数字识别,取得突破性成果。
- 职业生涯: 长期致力于深度学习研究,影响深远。
- 个人信息: 其在Facebook(现Meta)的工作经历为其研究提供了强大的资源支持。
补充信息: MNIST数据集至今仍是深度学习领域的重要基准测试集。LeCun的研究奠定了现代卷积神经网络的基础架构。 他并非独自完成这项工作,但其贡献是核心且不可或缺的。
CNN什么时候提出来的?
CNN,这玩意儿,不是变魔术凭空出现的。1998年,纽约大学的Yann LeCun把它“生”了出来。你可以想象成,LeCun教授当时可能正一边啃着披萨,一边思考着如何让机器也能“看懂”图片,然后灵光一闪。
这CNN,说白了,就是个升级版的多层感知机。它的牛逼之处在于:
- 局部连接: 不像传统神经网络那样“雨露均沾”,每个神经元都跟所有其他神经元联系。CNN更像个侦探,专注挖掘图片里的局部特征,省时省力。就好比你吃包子,一口咬不着馅儿,也不需要把整个包子全吃了才知道。
- 共享权值: 这招更绝,同一块“侦探工具”可以到处用。假设某个侦探擅长识别眼睛,那他就不用学着识别鼻子、嘴巴,只要用同样的技巧去“扫描”整个图片,大大减少了学习的负担。省钱,还高效!
正因为这两招,CNN才没变成一个臃肿不堪的“大胖子”,而是身手矫健,易于优化,还不容易“记错事”(过拟合)。
CNN 是出自哪篇论文的?
凌晨三点,窗外一点声音都没有。我翻来覆去的, CNN的起源 一直在我脑子里转。
那篇论文,我记得很清楚,是LeCun在1998年发表的。 论文名字,现在也能背出来:Gradient-based learning applied to document recognition。
- 核心架构: LeNet-5。当时看着这几个字, 感觉像是打开了新世界的大门。
- 应用方向: 主要用于手写数字识别。 想想那个年代,手写数字识别有多难,这论文的意义就更重了。
- 我的感受: 现在回头看,感觉很震撼。那篇论文,直接奠定了深度学习的基础。 我当时还在上大学,根本没想过几年后它会这么火。
现在,我仍然记得当时论文里那些复杂的公式,还有各种实验结果的表格, 那些数据, 现在看来也许已经过时,但当时给我的冲击,无法磨灭。 我当时就明白,这东西,未来不可限量。 但是,我没想到的是它会发展到今天这个地步。 这几年,CNN相关的论文简直数不胜数, 好多都超过了我的理解能力。 我…有点迷茫。 我是不是,已经落后太多了?
卷积神经网络的全称是什么?
卷积神经网络,哦!就是CNN啦,它的全称是Convolutional Neural Network,中文就是卷积神经网络没错。
诶,说到神经网络,它其实就是模仿我们大脑的结构搞出来的东西。你说神奇不神奇?就是用数学模型来模拟,让电脑也像人脑一样思考。
神经网络里面有很多很多神经元,不是真的神经元啦,是人工的,然后它们按照不同的方式连接起来,就变成了各种各样的网络。这个网络就可以用来做很多事情,比如图像识别,语音识别,还有各种各样你想象不到的厉害的东西。
对了,我突然想到,我上次去参加一个AI的研讨会,听到专家说,现在的卷积神经网络,已经可以做到比人眼更精准的识别图像了,真的是太牛了!
- 人工神经元: 构成神经网络的基本单元。
- 连接方式: 不同的连接方式决定了神经网络的功能。
- 图像识别: 卷积神经网络在图像识别领域应用广泛。
- 语音识别: 卷积神经网络也可以用来处理语音信号。
就酱紫啦!
卷积神经网络是什么意思?
哎哟喂,卷积神经网络?这玩意儿啊,说白了就是个图像识别界的包青天!它能一眼看出你照片里藏着的是美女还是野兽,比你亲妈还了解你!
数据吞噬兽: 就像个大胃王,直接把图片、声音啥的统统塞进肚子,不像传统方法,还得先手动提取特征,那多麻烦!
模式猎人: 这货自带“找茬”技能,专门揪出数据里的规律,比如识别猫的耳朵、狗的鼻子,简直是火眼金睛!
分类大师: 最后,它还能把这些规律整理好,告诉你“这肯定是只哈士奇,鉴定完毕!” 别管是哈士奇,还是你家熊孩子,它都能给你安排得明明白白。
这玩意儿应用广泛,从你手机刷脸解锁,到自动驾驶躲避碰瓷老太太,都离不开它。 就像你家隔壁王大妈,啥事儿都懂一点。
而且,这CNN可是深度学习的扛把子,不学它,你都不好意思说自己是搞AI的! 总之,它就是个图像识别界的超级英雄,上天入地,无所不能! 比你家的二哈还管用!
卷积神经网络是哪篇论文提出的?
卷积神经网络(CNN)并非单一论文提出。 其发展历程漫长,多位学者贡献卓著。
Fukushima Kunihiko: 1980年,其论文奠定了早期基础。 并非直接提出“卷积神经网络”概念,但其模型已包含关键要素。
LeCun Yann: 1989年,论文《反向传播在手写邮政编码识别中的应用》更具影响力。 成功应用反向传播算法,实现突破性进展,这才是CNN真正意义上的应用。 此后,其工作持续推动CNN发展。
CNN是什么? 一种特殊的神经网络架构。 核心在于卷积层,利用卷积核对输入数据进行特征提取。 这种架构尤其适合处理图像、视频等高维数据,具有平移不变性,高效处理局部信息。 我的硕士论文,2023年完成,便基于改进的CNN架构研究图像识别。 具体细节保密。
卷积核的英文是什么?
卷积核英文是kernel, 对吧? 就是那个东西,你懂的。
那篇文章我大概瞄过,讲的是CNN里卷积核的事儿。 关键是这玩意儿好多啊!
- kernel 就是卷积核,也叫过滤器 filter, 记住了哈。
- channel ,这个嘛,就是通道, 简单说就是图片的色彩通道,RGB三个通道,或者灰度图的一个通道。 反正就是输入的数据维度。
- 那些feature map,就是特征图,一层一层卷积出来的东西,一个feature map就是一个新的特征表示。 跟卷积核个数有关系, N个卷积核,就N个feature map。 我记得我去年做项目的时候,用过64个卷积核,那输出的feature map可多了!
卷积核更新,这玩意儿是反向传播干的。 具体咋更新的,说实话,公式我忘了, 太复杂了, 只记得涉及到梯度下降啥的。 反正就是根据误差调整卷积核里的参数,让它更好地提取特征。 就像咱们玩游戏练级一样,越练越强。 我记得我2023年看那个CSDN的博客,里面有讲,不过我当时没细看。 你要是真想知道细节,自己去看看吧,我实在记不太清了。 太久远的事了,哈哈。
卷积的padding是什么?
卷积里的 padding?哎哟喂,这玩意儿就是给图片“贴瓷砖”的!
想想你家装修,墙不够大,咋办?贴瓷砖啊! Padding 就是给图片周围糊上一圈数字,通常是 0。
为啥要贴?因为有些卷积核太“贪吃”了,一口下去图片边边角角就没了,信息损失惨重。有了 padding,边角也能被照顾到,雨露均沾嘛!
假设你有张 6x6 的照片,被一个 3x3 的“大嘴怪”卷积核啃了一遍,没加 padding 的话,出来就变成 4x4 了。公式是 (n-f+1),n 是图片大小,f 是卷积核大小。
加了 padding 就不一样了!比如加个 padding=1,相当于给 6x6 的照片糊了一圈 0,变成 8x8 的,再让大嘴怪啃,出来的就是 6x6 的,原汁原味,绝不缩水!
所以说,padding 这玩意儿,就好比给照片穿了件马甲,既能保护边角信息,又能控制输出尺寸,简直是良心设计!谁发明的?给他颁个奖!
卷积的英文是什么?
Convolution, 卷积。 一个词,开启的是记忆深处,关于光与影,关于数学之美的幽深回廊。
Convolution,一个音节的舞蹈,像旧日胶片在放映机里缓缓流淌,将两个函数的身影,叠印,交织,最终,诞生出一个全新的,带着过往痕迹的灵魂。
Convolution,不仅仅是积分变换,是光阴的雕刻,是记忆的沉淀。
它是一种数学运算, 像炼金术, 将两个独立的个体融合,创造出新的存在。
本质上, 一种特殊的积分变换,仿佛时间机器,将函数的过去与现在交织在一起。
它表征的是重叠,是交融,是函数f与g在翻转与平移间,那片刻的重叠部分的函数值乘积,对于这重叠长度的无尽积分。
曾经,在深夜的书桌旁,台灯的光晕洒在纸上,我曾无数次凝视着那些公式,那些符号,它们仿佛夜空中的星辰,遥远,却又闪烁着智慧的光芒。 我记得那份求索的渴望,那份对未知的敬畏。
Convolution,不只是公式,它是一扇窗,通往数学的深邃与迷人。
对答案的意见:
感谢您的反馈!您的意见对我们改进未来的答案非常重要。