BP网络是多层前馈网络,Hopfield 网络是全互联反馈网络。

单层前馈网络中,如果有 i 个输入,j 个输出,则连接权值 W 可以表示成一个 i∗j 的矩阵。

实际应用场景中,目标检测应满足两个条件:检测速度满足实际场景需求和覆盖物体类别满足实际场景需求。

卷积神经网络是 Hopfield 神经网络的延伸与拓展。

人工神经网络是对人脑或生物神经网络若干基本特性的抽象和模拟。

由于的神经元的可塑性,突触的传递作用可以增强或者减弱,而机器学习的过程,也是神经元之间连接强度的变化过程。

卷积神经网络中,对不同位置的特征进行聚合统计,称为池化 (pooling)。池化不会丢失图像的信息,也不会降低其空间分辨率。

按拓扑结构分,人工神经网络可以分为前馈网络和反馈网络。

卷积主要用于得到图片的局部特征感知,池化主要用于特征降维,压缩数据和参数的数量。

一定存在一个 BP 神经网络能够逼近给定的样本或者函数。

反向传播是用来训练人工神经网络的常见方法。

将一个卷积神经网络的第一层的特征图可视化,能看到清晰的目标特征。

划分训练集.验证集.测试集,其划分比例一般为 6:2:2。

激活函数的作用为给神经元引入了非线性因素,使得神经网络可以任意逼近任何非线性函数,深层神经网络表达能力更强大,可以应用到众多的非线性模型中。

训练 CNN 时,可以对输入进行旋转.平移.缩放等预处理提高模型泛化能力。