CNN卷積神經網路(1211) - 機器學習研討 | 健行科技大學eclass易課平台

返回課程

發表時間 : 2024-12-10 18:53

觀看次數 : 139

原始資料來自 : https://www.youtube.com/embed/mD2d6kgBbEc?si=V5EPqXRruo41PQs7

討論功能僅開放給課程成員，請先加入課程

最新的回應 ...more

2024-12-18

m11333013 : CNN（卷積神經網絡，Convolutional Neural Network）是一種深度學習模型，主要用於處理圖像和視覺相關的任務。它模仿人類視覺系統的處理方式，能夠自動從原始數據中提取特徵並進行分類或識別。

2024-12-11

M11333001 : CNN是一種用於深度學習的人工神經網路，這種網路由輸入層、若干卷積層和輸出層組成，卷積層是最重要的部分，它們使用一組獨特的權重和濾波器，使得網絡可以從輸入數據中提取特徵，數據可以是許多不同的形式，如影像、聲音和文字。

2024-12-11

b11033041 : CNN（Convolutional Neural Network，卷積神經網絡）是一種深度學習模型，主要用於圖像和視覺任務。它透過模擬人類視覺系統的方式，使用多層卷積層對圖像進行處理。CNN的核心特點是利用卷積操作來提取圖像中的特徵，並通過池化層來減少計算量，最後利用全連接層進行分類或預測。CNN在影像辨識、物體檢測和語音處理等領域中廣泛應用。

2024-12-11

B11033056 : CNN（Convolutional Neural Network，卷積神經網絡）是一種深度學習模型，主要用於處理具有網格結構的數據，如影像和視頻。它模仿了人類大腦處理視覺信息的方式，特別適用於圖像識別和分析。 CNN 的核心是卷積層，它使用卷積操作來自動學習圖像中的特徵（如邊緣、顏色或形狀）。這些特徵會被進一步處理，並通過池化層（降維）和全連接層（分類）來完成最終的預測。CNN 可以在訓練過程中自動提取特徵，而無需人工設計特徵。

2024-12-11

M11333003 : **CNN（卷積神經網路，Convolutional Neural Network）**是一種專為處理結構化數據（如圖像或時序數據）設計的深度學習模型。它主要依賴卷積運算來自動提取數據中的特徵，廣泛應用於圖像識別、物體檢測、語音處理等領域。 CNN的核心特性包括：卷積層（Convolutional Layer）：用於提取數據的局部特徵，卷積核（或濾波器）會掃描輸入數據，捕捉如邊緣、角點等結構化信息。池化層（Pooling Layer）：通過降維操作（如最大池化或平均池化）減少數據維度，同時保留主要特徵，從而降低運算量並增強模型對變形的容忍度。激活函數（Activation Function）：通常使用非線性函數（如ReLU）引入非線性，讓模型能表現出複雜的輸入輸出關係。全連接層（Fully Connected Layer）：將提取的特徵進行分類或回歸輸出，完成整體預測。 CNN的設計使其特別擅長處理具有空間結構的數據，例如圖像的像素排列，因此成為深度學習領域的重要模型之一。

安文

簡單敘述何謂CNN?

2024-12-10 1 樓

顯示先前的回應6 則當中的 3 則

b11033041

CNN（Convolutional Neural Network，卷積神經網絡）是一種深度學習模型，主要用於圖像和視覺任務。它透過模擬人類視覺系統的方式，使用多層卷積層對圖像進行處理。CNN的核心特點是利用卷積操作來提取圖像中的特徵，並通過池化層來減少計算量，最後利用全連接層進行分類或預測。CNN在影像辨識、物體檢測和語音處理等領域中廣泛應用。

2024-12-11 5 樓

M11333001

CNN是一種用於深度學習的人工神經網路，這種網路由輸入層、若干卷積層和輸出層組成，卷積層是最重要的部分，它們使用一組獨特的權重和濾波器，使得網絡可以從輸入數據中提取特徵，數據可以是許多不同的形式，如影像、聲音和文字。

2024-12-11 6 樓

m11333013

CNN（卷積神經網絡，Convolutional Neural Network）是一種深度學習模型，主要用於處理圖像和視覺相關的任務。它模仿人類視覺系統的處理方式，能夠自動從原始數據中提取特徵並進行分類或識別。

2024-12-18 7 樓

m11333015

卷積神經網路（英語：convolutional neural network，縮寫：CNN）是一種前饋神經網路，它的類神經元可以回應一部分覆蓋範圍內的周圍單元，[1]對於大型圖像處理有出色表現。
卷積神經網路由一個或多個卷積層和頂端的全連通層（對應經典的神經網路）組成，同時也包括關聯權重和池化層（pooling layer）。這一結構使得卷積神經網路能夠利用輸入資料的二維結構。與其他深度學習結構相比，卷積神經網路在圖像和語音辨識方面能夠給出更好的結果。
這一模型也可以使用反向傳播演算法進行訓練。相比較其他深度、前饋神經網路，卷積神經網路需要考量的參數更少，使之成為一種頗具吸引力的深度學習結構[2]。

卷積神經網路的靈感來自於動物視覺皮層組織的神經連接方式。單個神經元只對有限區域內的刺激作出反應，不同神經元的感知區域相互重疊從而覆蓋整個視野。

2024-12-11 1 樓

B11033056

CNN（Convolutional Neural Network，卷積神經網絡）是一種深度學習模型，主要用於處理具有網格結構的數據，如影像和視頻。它模仿了人類大腦處理視覺信息的方式，特別適用於圖像識別和分析。

CNN 的核心是卷積層，它使用卷積操作來自動學習圖像中的特徵（如邊緣、顏色或形狀）。這些特徵會被進一步處理，並通過池化層（降維）和全連接層（分類）來完成最終的預測。CNN 可以在訓練過程中自動提取特徵，而無需人工設計特徵。

2024-12-11 2 樓

筆記功能僅開放給課程成員，請先加入課程