机器学习、CNN的区别与联系

Love The Way You Lie 2022-03-21 05:12 410阅读 0赞

机器学习之CNN

CNN与机器学习有什么关系：  
一.模式识别/机器学习/深度学习简介  
模式识别（Pattern recognition） 机器学习（machine learning）和深度学习（seep learning）分别代表了三种不同的思想流派。  
1. 模式识别  
区分“3”和“B”，需要专门设计一些分类规则，如滤波，边缘检测和形态学处理等技术，设计到图像处理的专业知识。

2. 机器学习
          从样本中学习的智能程序，是数据驱动的。强调的是给计算机程序输入一些数据之后，它对这些数据进行学习，（学习步骤是明确的）学习结果是对已有的数据的分类和预测模型，预测模型可以用于对未知数据的预测。
          3.深度学习
          模型中的参数可以从学习中获得。在深度学习的模型中，很流行的就是被用在大规模图像识别中的卷积神经网络（Covoulutional Neural Nets,CNN）,简称ConvNets。
          深度学习需要非常大的计算能力，大多在GPU熵进行计算。
          线性代数是基础。
          ![图片来源于此处}https://www.jianshu.com/p/726a5fdfeac5](https://img-blog.csdnimg.cn/20190130190308850.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI0MTQzOA==,size_16,color_FFFFFF,t_70)
          本质上还是原来的神经网络，就是用复杂/庞大的神经网络进行机器学习。

二 CNN简介  
一个神经网络最为核心的功能呢试能够进行根据若干个输入进行电位活动，并将电位信号传递出去，在传递过程，还可以控制电位信号到下一个神经元的敏感度。神经网络中的M-P模型正式对这些特征的建模抽象。  
神经元的基本结构：M-P模型.  
s=w*p+b*l s的输出通常成为净输入net，a=f（net），a也就是模拟了生物神经网络的轴突信号。在该模型中，w，b，f，s可以根据需要进行选择，但是在确定后一般不再进行更改。f是这个网络的传输函数。

神经元之间是并行工作的。
    	CNN 卷积神经网络
    	1.人工神经网路
    	（1）神经元
    	神经网络由大量的神经元相互连接而来。每个神经元接受线性组合的输入			    后，最开始只是简单的线性加权，后来给每个神经元加上了非下你选哪个的激活函数，从而进行非线性变换后输出。
    	每两个神经元之间的来凝结代表权值，惩治为权重（weight）不同的权重  和激活函数，则会导致神经网络不同的输出。
    	（2）激活函数
    	常用的非线性激活函数有sigmoid tanh relu等，前两者sigmoid tanh比较常用于全安来年阶层，后者relu常用于卷积层。
    	sigmoid的函数表达式如下：
    	![在这里插入图片描述](https://img-blog.csdnimg.cn/2019013019152435.png)
        	而这里的z表示一个线性组合，比如z=w1*x1+w2*x2+b
        	![sigmoid函数的图形表示](https://img-blog.csdnimg.cn/20190130191712741.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI0MTQzOA==,size_16,color_FFFFFF,t_70)