卷积神经网络

其中 W1 和 H1 表示输入的长宽， F表示卷积核的长和宽， S表示步长， P表示边界填充。输出的y均在0到1之间，且所以输出值之和为1，常用于分类问题。LSTM：在RNN基础上进行改进，加了C控制参数，控制当前模型复杂度。1.传统网络输入要把数据拉成一维，而卷积可以用三维数据输入（张量）反向传播：计算梯度，之后根据梯度选择合适的优化器来对参数进行更新。长：H2 = （H1 - FH + 2

J＆Lu

739人浏览 · 2024-09-05 15:25:50

J＆Lu · 2024-09-05 15:25:50 发布

1.传统网络输入要把数据拉成一维，而卷积可以用三维数据输入（张量）

2.卷积结果计算公式：

长：H2 = （H1 - FH + 2 P）/ S + 1

宽: W2 = (W1 - FW + 2P ) / + 1

其中 W1 和 H1 表示输入的长宽， F表示卷积核的长和宽， S表示步长， P表示边界填充

P在上下左右都要填充，所以要乘2

RNN：递归神经网络：擅长处理时序信息

LSTM：在RNN基础上进行改进，加了C控制参数，控制当前模型复杂度

softmax函数：

输出的y均在0到1之间，且所以输出值之和为1，常用于分类问题

反向传播：计算梯度，之后根据梯度选择合适的优化器来对参数进行更新

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

从聊天框到动态助手：MCP Apps 如何重塑 AI 交互的未来（二十六）

在人工智能向“自主智能体”演进的道路上，我们正见证一个关键的范式转移：大型语言模型（LLM）不再仅仅是文本生成器，而是逐渐成为能感知环境、调用工具并执行复杂任务的智能核心。然而，传统的“文本输入-文本输出”模式，在面对需要精密逻辑、实时数据可视化与复杂业务流操控的生产力场景时，其交互深度的局限性暴露无遗。为了连接模型与广阔的外部世界，应运而生，旨在标准化模型与工具之间的通信，降低生态适配成本。