深度學習基礎(ppt36頁)-閱讀頁
2025-01-21 05:35本頁面
【正文】 ! 我們只需要按照一定的規(guī)則來組合 S2的特征圖。在后面的層中每一層節(jié)點個數(shù)比較少，都是全連接層，這里不再贅述。 在以上的識別系統(tǒng)中，每個特征圖提取后都緊跟著一個用來求局部平均與二次提取的亞取樣層。也就是說，卷積神經網(wǎng)絡通過局部感受野、共享權值和亞取樣來保證圖像對位移、縮放、扭曲的魯棒性。 ? 二分類：信號呈一個 P300波形，則認為檢測到；否則，檢測丌到。 ? 實際上，即使一個 P300響應可以被預測為在一個特定的時間點，但是被試者很可能丌會在像人工產品一樣在正確的時刻產生 P300響應。等同于把信號用 120HZ的抽樣率采樣。其中 是我們采集 EEG信號時所有的電極的數(shù)量。我們令 。 神經網(wǎng)絡拓撲結構 ? 網(wǎng)絡拓撲結構是分類器的關鍵特征。一個特征圖代表一層的本質，含有一個特殊的語義： 。 神經網(wǎng)絡拓撲結構 CNN的學習規(guī)律 2023/1/30 在卷積神經網(wǎng)絡的學習過程當中，主要運用前向傳播和反向傳播兩種學習法則來優(yōu)化權值，學習到一個最優(yōu)的濾波器來提取特征。輸出激活函數(shù)一般選用 sigmoid函數(shù)或者選用雙曲線正切函數(shù)。對于每一個訓練樣本，我們會給予一個標簽，通過調整網(wǎng)絡輸出與給定標簽之間的誤差來訓練與改變權值。因此 N個訓練樣本的代價函數(shù)如下： ??? ??? Nn knknkN ytE1212)(212023/1/30 對于 N個訓練樣本中的第 n個訓練樣本，它的代價函數(shù)表示為： 22212n 21)(21 nnknknk ytytE ???? ?? 接下來需要根據(jù)每個樣本的輸出誤差來反向調節(jié)每一層當中的權值系數(shù)，即計算代價函數(shù)對應于卷積神經網(wǎng)絡中的每個權值的偏導數(shù)： ????????? buuEbE1???bu??????? uEbE 可以看到誤差對于 bias基 b的靈敏度和誤差對于一個節(jié)點的輸入 u的導數(shù)是相等的。)( 11 llTll ufW ?? ?? ??)()(39。因此我們對池化層當中每一個神經元的靈敏度組成的一個靈敏度圖進行上采樣。公式如下： Tlll xWE )(1 ?????ll WEW ????? ?)(39。池化層對每個特征圖進行下采樣，所以輸出的特征圖比起輸入的特征圖要變小了： 按照卷積神經網(wǎng)絡的反向傳播算法的思路，我們應該先計算到池化層每個神經元的靈敏度，然后再通過這個靈敏度更新偏置 b和偏置參數(shù) 。把靈敏度圖當中的所有元素相加便可以得到： 偏置 是一個乘性基，所以會與前向傳播當中的池化過程的特征圖的計算相關。因此，我們定義： ))(dow n( 1 ljljljlj bxfx ?? ??????vuuvljjbE,)(?）1(d o w n?? ljlj xd?? ???? vu uvljljj dE , )(??神經網(wǎng)絡拓撲結構 Thank You！ 演講完畢，謝謝觀看！
范文總結相關推薦
鄂ICP備17016276號-1