cnn卷积神经网络教学 cnn深度卷积神经网络

热门文章 2023-02-20 15:48:06 0

淘宝搜：【天降红包222】领超级红包，京东搜：【天降红包222】
淘宝互助，淘宝双11微信互助群关注公众号【淘姐妹】

cnn卷积神经网络三大特点,cnn卷积神经网络的优点,cnn卷积神经网络代码,cnn卷积神经网络如何识别图像

卷积计算层 1.1卷积的通俗理解-为什么参数会大大减少 1.2卷积的计算
ReLu激励层／ReLu layer 2.1 为什么要用激励层？ 2.2 sigmoid函数 2.3 tanh函数 2.4 RELU 2.5 Leaky-Relu 2.6 maxout 2.7 所有激活函数汇总

上一篇文章（（CNN）卷积神经网络（一））说了卷积神经网络的层级结构和数据输入层的数据具体是怎么处理的，以及权值应该怎么初始化，这篇文章具体讲一下卷积层都做了什么操作。

1.卷积计算层 1.1 卷积的通俗理解-为什么参数会大大减少

第二层叫做卷积计算层。如果是看一张图片，人工神经网络做的是用很多神经元，用线性分类器划分平面是吧，他会对这些数据有自己的一套评价体系。它是一下子看完整张图的，但如果神经节点说我一下子看不过来这张图，即使看完了，也不一定能记住全部信息，就像我们考试一样，虽然考试前一天我们都很努力的背答案，但大脑说我们一天背不了那么多，聪明的做法就是延长几天背的时间。

那对于图像，每个神经元也是不希望一下子全部看完所有的图像信息，那可以一次就看一部分呀，假如这张照片是32X32X3的，可以选取左上角3X3的数据呀，这样子这个神经元就可以看完了，但光看这一点不能看完整张图呀，就像你去考试，光看第一章，不能保证你考试考100分呀，还是要看完的！所以让这个神经元滑动这个窗口来看其他的区域，通过向右滑，向下滑，不就可以看完整张图片了吗？

用术语表示：每个神经元为filter,窗口（receptive field）滑动,filter对局部数据做计算，每次这个窗口滑动多少步，称为步长(stride)。那哪里体现了权重参数的减少呢？仔细一点就会发现，我们的窗口大小是不变的，都是3X3(当然还可以是其他的，比如4X4),那既然窗口大小不变，那每个神经元看这幅图片，是不是就可以用相同的参数去看了呢。就像你和你朋友，同样是看这幅美女图：

你可能觉得她很漂亮，但我觉得她一般般，是什么造成了两个不同的看法呀？对于同一张图，每个人的审美标准不一样，但看这张图都是用眼睛看的。

对应于神经元，就是不同的神经元，有一组不同的参数（3X3）,这组参数就是这个神经元的审美标准，它和图片上的数据做内积，得到的结果就是这个神经元带着它的参数看这幅图得到的看法，每个神经元得到的看法不一样，最后汇集起来，就是所有神经元看到的综合评价。

人工神经网络最耗资源的就是每个神经元都要有一个32X32X3的参数，去看一整张图，相比之下，卷积神经网络中，每个神经元只用一组参数（3X3）看图片，不就大大减少了参数的数量了吗？

1.2 卷积的计算

这里面涉及了一些概念： depth:表示有多少个像3X3 的神经元去看一张图片； feature map:每个这样的神经元是不是都会得到一个它对这张图片的理解呢？所以每个这样的神经元都会有一个feature map(是一个矩阵)； zero-padding:如下图，你会如果步长是1，则刚刚好：

但如果窗口大小是4，或者移动的步长不是1的时候呢？是不是有在边缘地带有一些空白的呀，对，就是在空白的这些地方补0，称为zero-padding.

更具体的看一个神经元，对一张图片的一部分是怎么处理的，可以发现，中间的那个矩阵就是这个神经元的审美标准（参数矩阵）了，它和图片的一部分做点乘，然后相加有：

4?+?+?+?+?1+?1+?+?1+?4?2=?8

这还有一张是三个颜色通道的图：cs231n-conv-demo

我截一个时刻出来解释一下：左边三个矩阵分别代表REB三个颜色通道对应的矩阵，所以是7X7X3的图片；

中间这两列，每一列都对应一个神经元，所以有两个filter，W0，W1，因为每个神经元都要看三个颜色通道，所以会有三个对应的矩阵；你会发现同一列的三个矩阵也是不一样的，说明同一个神经元，在看不同的颜色通道的时候，可以用不同的审美标准去看；

最后那个矩阵是窗口滑动之后，对应一整张图片的数据：

颜色通道1：?1+?（?1）2023年考研“新规”，部分高校不再招生，英语四六级成报考门槛？大学考研四六级,考研 46级要求,考研四六级报名时间,考研对46级有要求的学校

预计2023年考研人数将达到520万。

如果按照每年考研报名人数暴涨80万来看的话，2023年考研的学生达到520万，真的并不是“危言耸听”。因为就业压力还有本科学历贬值等情况，未来研究生考试的报名人数确实会越来越多，这也会导致上岸比例的增加。

保研名额和推免名额的增加

很多高校都是提高推免生的比例，这样可以让学校在招生的时候，吸引更多优质的生源。但是保研的名额越多，那么就会占用很多统考的名额。

获得保研推免名额的学生可以有更多的优势被录取，但是反之，没有获得类似名额的普通学生，在这样的大环境下，就没有竞争优势了。

考研国家线上涨，学生们连调剂的机会都没有

2022年考研中，发生了一件让人比较无奈的事情，有考生笔试成绩是专业第一，但是却连国家线都没有过。因为国家线的上涨，让很多学生连调剂的机会都没有，直接在笔试环节就被刷掉了。

报考人数快速增长，成绩“内卷”

2022年考研报名人数，比前一年增加了80万人。这个数字可以说是非常庞大，按照这样的增长速度来看，明年考研的人数只会更多。报考的学生人数多了，录取分数线也会非常高，有的考生好不容易通过了国家线，但是却无法进入面试。

然后考研学生们的不容易，还不仅仅止步于此。2023年的考研再次迎来了新的规定，部分高校不再招考研究生，英语四六级或将成为报考的门槛。

现阶段在准备考研的学生要注意，目前已经有部分高校表示，部分专业将不再招收全日制研究生，只招收非全日制研究生。学生们在报考这类专业的时候要注意，不要选错了。

而且为了缓解现在考研生的报考压力，考研也设置了一定的门槛，学生们报考前要多注意。那就是部分高校已经公布了入学考试的限制条件。没有通过英语四级的本科生，不能报考一下学校。

比如说中国人民大学、西北大学、北京交通大学还有中国民航大学的计算机科学与工程系等。不过这对于准备考研的学生们来说应该是比较简单的门槛，毕竟大学英语四级的难度比考研英语还是要简单一些的。

除了这些要求，还有部分高校在面试的时候会查看学生大学期间的表现，如果曾经有过挂科的情况，那么可能没有参加复试的机会，或者是在复试中很容易被刷掉。

考研不易，学生们在考试之前一定要多看看想要报考的学校的专业有哪些要求。这样也能提高上线率。

虽然说预计2023年考研的人数会增加，但是学生们也不用太紧张。目前已经有多所高校确定，将会在2023年考研阶段进行扩招，缓解学生们的考研压力。

暨南大学。在该校发布的2023年专业招生目录中，我们看见减少招生的专业并不错，但是扩招的专业却不少。其中将会扩招人数最多的学院为管理学院，预计扩招人数为106人。

公共管理学院预计扩招35人，智能科学与工程学院预计扩招18人，光子技术研究院预计扩招18人。

南昌航空大学的16个院系中，也将会有11个学院进行扩招。除了外国语学院、经济管理学院、马克思主义学院等7个学院，其他学院均有一定程度上的扩招。

现在研究生报考的压力比较大，相关部门也十分关注。而且教育需要高素质的人才，需要硕士生和博士生这样的精英人士。

所以在未来会不断扩大教育硕士和教育博士招生。目的到2025年的时候，会培养出一批具备硕士层次的中小学教师、教育领军人才。

毕竟社会的发展离不开教育的支持，只有教育能更好地发展了，才会培养出能在社会各个领域中独当一面的精英。可见提高学历是一件非常重要的事情。

写在最后：

现在越来越多的学生想要报考研究生的考试。根据数据统计，在2022年考研落榜的学生人数就超过了300万，这其中将会有80万考生会选择再次报考，那么2023年研究生考试的报考压力也就可想而知了。

虽然说提高学历是提高就业的好方式，但是考研并不适合所有的学生。如果学生没有继续学习搞科研的动力了，其实直接就业也是很好的方式。

今日话题：你对2023年考研新规有什么看法？返回搜狐，查看更多

责任编辑：

AI 最新突破集锦 AI的瓶颈和进展 AI控制核聚变 AI预测蛋白质3D结构 Alpha Fold2 AI证明数学公式自动驾驶 AI替代的硬件

Posted 2022-08-05 AI架构师易筋

tags: .js的ai插件如何安装 .ai 错误16 .ai在线转换png .ai域名注册流程 .ai头像素材如何裁剪

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了AI 最新突破集锦 AI的瓶颈和进展 AI控制核聚变 AI预测蛋白质3D结构 Alpha Fold2 AI证明数学公式自动驾驶 AI替代的硬件相关的知识，希望对你有一定的参考价值。

大名鼎鼎的 DeepMind 公司，它是全球最大的 AI 研究机构。在围棋比赛中战胜人类的 AlphaGo、预测蛋白质结构的 AlphaFold2、战胜星际争霸世界冠军的 AlphaStar，都出自 DeepMind。DeepMind被谷歌公司以6亿美元的价格收购。

在巨大的热量和重力下，太阳核心中的氢原子核相互碰撞，聚合成更重的氦原子，并在此过程中释放出大量能量。数十年来，科学家和工程师们探索通过形似甜甜圈的托卡马克装置，约束等离子体，从而达成可控核聚变的目的。如何有效控制等离子体，是通往核聚变的关键。

“我们需要加热这些物质，并使其保持足够长的时间，以便从中获得能量。” 瑞士洛桑联邦理工学院等离子体中心主任Ambrogio Fasoli说道。

要实现核聚变，必须满足三项条件：极高的温度、足够的等离子体粒子密度以及足够的限制时间。这正是人工智能的用武之地。2月16日，题为《通过深度强化学习对托卡马克等离子体进行磁控》（Magnetic control of tokamak plasmas through deep reinforcement learning）的论文登上《Nature》，该研究由谷歌旗下人工智能公司Deepmind和瑞士洛桑联邦理工学院等离子体中心的物理学家合作完成。在超过1亿℃的环境下，氢过热成为一种等离子体状态。没有任何材料可以控制这样温度的等离子体，但在托卡马克装置中，强大的磁场使等离子体悬浮并固定在托卡马克内部，迫使其保持形状并阻止其接触反应堆壁（接触反应堆壁将冷却等离子体并损坏反应堆）。

虽然用核聚变做氢弹的难度很大，但也比实现核聚变发电要容易得多。

原因很简单，因为发电必须让巨大的能量徐徐、稳定地放出。这就像推倒一栋 28 层高的楼房，却要求砖头一块一块稳定地掉出来那样。所以控制方法特别关键。

今天人们筛选出来的控制方法，是把氢的同位素氚、氘加温加压，让它们带电，再用磁线圈把这些高温混合物约束在半空中进行高速运动。这就是利用核聚变发电的过程。

现阶段，能够稳定地维持核聚变 100 秒的时间已经算是非常顶尖的水平了。但要利用核聚变发电，目标是要稳定维持至少几万秒。科学家们对此做了大量的模拟计算，找出了一些控制的方法。

然后，就要说到这次 DeepMind 的成就了。它凭借深度强化学习算法（DRL），在 3 年里竟然自己搞出了 5 个不同形状的物质横截面。

甚至其中还有一个方案，是两股环形的物质流一起高速流动。我把这 5 个形状的图片放在下方了，你可以看看。

其中任何一个方案，都对应了人类全部核聚变研究十几年的成果。所以，这个 AI 产出成果的效率太高了，令人感叹。而且有些结果从初步看，在冷却成本上，可能比今天最成熟的方案还要低得多。

至于说这些计算出来的方案，在大型的核聚变腔体里真实运行起来效果如何，还要继续等待它们在 ITER（国际热核聚变实验堆）项目里排上队、测试完才能知道。

但仅就 AI 目前展现出来的实力来说，就顶了几十个物理学家十几年的工作成果。

In 2022, DeepMind unveiled AlphaCode, an AI-powered coding engine that creates computer programs at a rate comparable to that of an average programmer, with the company testing the system against coding challenges created by Codeforces utilized in human competitive programming competitions.[84] GPT3

Generative Pre-trained Transformer 3 ( GPT-3 ) 是一种自回归语言模型，它使用深度学习来生成类人文本。

它是位于旧金山的人工智能研究实验室OpenAI创建的 GPT-n 系列（也是GPT-2的继任者）中的第三代语言预测模型。[2] GPT-3的完整版拥有1750亿机器学习参数的容量。GPT-3 于 2020 年 5 月推出，并于 2020 年 7 月进行 beta 测试，[3]是预训练语言表示的自然语言处理(NLP) 系统趋势的一部分。[1]

GPT-3 生成的文本质量如此之高，以至于很难确定它是否是由人类编写的，这既有好处也有风险。[4] 31 位 OpenAI 研究人员和工程师于 2020 年 5 月 28 日发表了介绍 GPT-3 的原始论文。在他们的论文中，他们警告了 GPT-3 的潜在危险，并呼吁进行研究以降低风险。[1] : 34? 澳大利亚哲学家David Chalmers将 GPT-3 描述为“有史以来最有趣和最重要的人工智能系统之一”。[5]

微软于 2020 年 9 月 22 日宣布，它已获得 GPT-3 的“独家”使用许可；其他人仍然可以使用公共 API 接收输出，但只有 Microsoft 可以访问 GPT-3 的底层模型。[6]

OpenAI是一个人工智能(AI) 研究实验室，由营利性公司OpenAI LP及其母公司非营利性OpenAI Inc. 组成。该公司被认为是DeepMind的竞争对手，在 AI 领域进行研究，其声明如下：目标是以造福全人类的方式促进和发展友好的人工智能。该组织由Elon Musk、Sam Altman等人于 2015 年底在旧金山成立，他们共同认捐了 10 亿美元。马斯克于 2018 年 2 月辞去董事会职务，但仍是捐助者。2019 年，OpenAI LP 获得了来自微软的 10 亿美元投资。

因为它们可以一定程度上取代人的劳动，甚至有些劳动看上去还是比较专业的。

比如在矿山开那种巨型卡车的司机，如果冷不丁地问你，开这种卡车，司机需要持什么类型的驾照呢？你可能还真答不上来。其实，开类似卡特皮勒 797 那种 400 吨沉的非公路卡车，并不需要驾照，但是需要经过特殊的培训。

这类司机不但数量少，而且工资堪比大学教授。这些人要是能被无人驾驶替代，那矿场主当然是很感兴趣的。于是在今天，巨型卡车的生产商无一例外地设立了子公司或者部门来研发无人驾驶。

这些企业包括卡特皮勒、小松集团、沃尔沃、斯堪尼亚、日立集团、别拉斯，差不多涵盖了这个领域所有著名的品牌。

事实上，AI 除了可以代替人力，还可以取代一些硬件。

最近一年新发布的手机，受到 AI 技术提升的影响，竟然砍掉了不少 3 年前人们还引以为豪的、可以当作卖点的硬件模块。

比如，谷歌在 2021 年底发布的 Pixel 6 系列手机，发布的时候可没说手机具有心率监测、呼吸频率检测等功能。但是在系统软件第一次大更新之后，竟然冒出来了这两个新功能。

这就有点让人意外了。因为这可不是新增一个动态桌面、新增一个拍照模式那样的升级，那些升级只需要改动软件就能实现，而心率和呼吸的检测，一直以来都是实打实需要额外增加硬件才能做到的。

那么，Pixel 6 又是怎么做到的呢？是靠 AI 算法加持下的摄像头和 LED 手电来实现的。

这个检测是这样做的：

打开检测功能，然后把手机翻过来，背面的摄像头和 LED 手电挨得很近不是？你把手指头按在上面，同时压住摄像头和 LED 手电，然后就启动检测了。这时候， LED 的强光会把手指照亮，你的指肚边缘都被照得泛红了。与此同时，摄像头就在捕捉半透明的手指组织中、血管一张一缩导致的反射光的强弱变化。

这个变化再结合谷歌从收购的 Fitbit 那里获得的 AI 算法，首先就得到了心率，然后通过计算拟合出呼吸频率。

另外一个被 AI 取代的硬件，就是手机的后置摄像头了。在 2019 年之前，各品牌的旗舰手机，尤其是号称拍照牛的那些型号，大都配了 4 - 5 个摄像头，分别是主摄、超广角、长焦、潜望、独立微距。

比如小米手机 CC9 Pro，当时的广告宣传叫作“1亿像素五摄四闪 10 倍混合光学变焦”，手机背面很多圆圈圈。

照这个态势发展下去，想要继续提高手机拍照质量的话，除了手握的地方，估计都会开孔安装摄像头。

但实际上，经过 2 年的发展，大部分顶级旗舰机里，独立微距和长焦这 2 个摄像头已经取消了。

通过 AI 算法把主摄和超广角捕捉到的数据糅合在一起，就是令人满意的独立微距摄像头拍照的效果。

而且，2019 年之后，别看摄像头数量减少了，但手机的拍照质量还在稳步地提升。

在 DxOMark 上的手机拍照排名里，使用五摄四闪 10 倍混合光学变焦的小米 CC9 Pro 拍照得分 130，只使用 3 个摄像头的小米 11 至尊版拍照得分 148。

这是在削减了 2 个摄像头后，画质提升一代的实质性超越。但实际上，减少了摄像头，手机在成本上还节约了。

其实，不止是心率的监测模块被 AI 取代了，你应该还有印象，2018 年之前的手机，顶部都会有一排摄像头，所以做全面屏难度很大。

这些摄像头里，有的在今天就已经被 AI 完全取代了。比如说，专门承担人脸识别任务的结构光摄像头和 ToF（Time-of-Flight飞行时间测距传感器）。当时，很多厂商还在争论这两种方案到底哪个更有前途。但在 2021 年的新手机中，这两个模块全都不见了，大家都只用普通的前置摄像头加 AI 算法来实现人脸识别。

TOF是飞行时间（Time of Flight）技术的缩写，即传感器发出经调制的近红外光，遇物体后反射，传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息，此外再结合传统的相机拍摄，就能将物体的三维轮廓以不同颜色代表不同距离的地形图方式呈现出来。

目前，AI发展的瓶颈主要有以下三点：