1. 简介
神经网络是机器学习算法,我们可以将其用于许多应用,例如图像分类、对象识别、预测复杂模式、处理语言等等。神经网络的主要组成部分是层和节点。
一些神经网络架构有一百多个层和几个解决不同子问题的逻辑部分。其中一个部分是神经网络主干。
在本教程中,我们将描述什么是主干以及最流行的主干类型。
神经网络是明确设计为生物神经网络灵感的算法。最初,目标是创建一个功能类似于人脑的人工系统。神经元和层是神经网络的主要组成部分。
根据层和神经元的类型,神经网络主要分为三类:
例如,卷积神经网络可以更好地处理图像,而循环神经网络可以更好地处理序列类型的数据。为了解释主干在神经网络中代表什么,我们将以卷积神经网络中的主干为例。此外,在文献中的大多数情况下,主干都在卷积神经网络的背景下。
卷积神经网络 (CNN) 是一种人工神经网络,我们主要用于对图像进行分类、定位对象以及从图像中提取特征,例如边缘或角。 CNN 的成功是因为它们可以处理大量数据,例如图像、视频和文本。
这些网络使用卷积运算来处理输入数据。当输入图像时,CNN 可以学习不同的特征。例如:
除此之外,还可以使用使用不同数据训练的预训练网络。这要归功于迁移学习技术。例如,神经网络在一个数据集上学习一些模式,稍加调整就可以将它们用于另一个数据集。当然,数据集越相似,我们期望的结果就越好。
除了图像分类,更复杂的 CNN 架构可以解决不同的计算机视觉任务,例如对象检测或分割。多亏了迁移学习,我们可以在另一个最初为图像分类训练的 CNN 之上构建用于对象检测的架构。在这种情况下,我们使用 CNN 作为特征提取器,它实际上是对象检测模型的骨干:
通常,术语主干是指将输入数据处理为某种特征表示的特征提取网络。这些特征提取网络通常在更简单的任务上作为独立网络表现良好,因此,我们可以将它们用作更复杂模型中的特征提取部分。 我们可以将许多流行的 CNN 架构用作神经网络的主干。其中一些包括:
在本文[1]中,我们描述了主干在神经网络中代表什么以及最受欢迎的主干是什么。大多数情况下,我们在计算机视觉中使用主干。它代表了一种流行的 CNN,具有用于更复杂的神经网络架构的特征提取功能。
[1]
Source: https://www.baeldung.com/cs/neural-network-backbone#backbone-in-neural-network