卷积神经网络最早由谁提出?

60 浏览次数
卷积神经网络 (CNN) 最早由 Yann LeCun 于 1989 年提出。 目的是识别图像中的手写数字。 LeCun 当时在 AT&T 贝尔实验室工作。 该模型有时也被称为 LeNet。
意见反馈 0 喜欢次数

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。