开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

卷积神经网络期望X但得到Y

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像识别和计算机视觉任务。它的期望是通过学习输入数据的特征来进行准确的分类或预测，但有时候得到的结果可能与期望不符。

可能导致卷积神经网络得到与期望不符的结果的原因有以下几种：

数据集不足：如果训练数据集过小或者不具有代表性，卷积神经网络可能无法学习到足够的特征来进行准确的分类。解决方法是增加训练数据集的规模或者使用数据增强技术来扩充数据集。
模型复杂度不足：如果卷积神经网络的模型复杂度不足以捕捉输入数据的复杂特征，可能无法达到期望的准确率。可以尝试增加网络的深度、宽度或者使用更复杂的网络结构来提高模型的表达能力。
过拟合：如果卷积神经网络在训练集上表现良好但在测试集上表现较差，可能是由于过拟合造成的。过拟合指的是模型过度拟合训练数据集的特征，导致对新数据的泛化能力较差。可以通过增加正则化项、使用Dropout等技术来减少过拟合。
数据预处理不当：如果输入数据没有经过适当的预处理，例如归一化、去噪等，可能会影响卷积神经网络的性能。正确的数据预处理可以提高模型的稳定性和准确率。
超参数选择不当：卷积神经网络中有许多超参数需要调整，例如学习率、批大小、卷积核大小等。如果选择不当，可能会导致模型无法达到期望的性能。可以通过交叉验证等方法来选择合适的超参数。
梯度消失或梯度爆炸：在训练过程中，如果梯度值过小或过大，可能会导致模型无法收敛或者收敛速度过慢。可以通过使用合适的激活函数、权重初始化方法、梯度裁剪等技术来解决梯度消失或梯度爆炸的问题。
硬件资源限制：如果使用的硬件资源（例如GPU）不足以支持卷积神经网络的训练或推理过程，可能会导致性能下降。可以考虑使用更高性能的硬件设备或者使用分布式训练等技术来提高效率。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI Lab：https://cloud.tencent.com/product/ai-lab
腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云GPU服务器：https://cloud.tencent.com/product/cvm/gpu
腾讯云弹性计算：https://cloud.tencent.com/product/cvm
腾讯云容器服务：https://cloud.tencent.com/product/tke
腾讯云人工智能开放平台：https://cloud.tencent.com/product/ai
腾讯云视频智能分析：https://cloud.tencent.com/product/vca
腾讯云音频处理：https://cloud.tencent.com/product/asr
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/mpp
腾讯云对象存储：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
腾讯云元宇宙：https://cloud.tencent.com/product/tencent-meta-universe

相关搜索:Angular 9测试出现“期望是间谍，但得到了函数”错误 dense_input :应为3维，但得到形状为(x，y)的数组 Ggplot2: scales="free_y“，但保持x轴线 Keras函数接口：“检查输入时出错:期望input_1有4维，但得到具有形状(X，Y)的数组”Lua在游戏中得到(x，y)个玩家 xy.coords(x，y，xlabel，ylabel，log)中出错：'x‘是一个列表，但没有组件'x’和'y‘X_train和y_train是否匹配？卷积神经网络--无分割字符识别 X有232个特征，但StandardScaler期望输入241个特征 “x”是一个列表，但没有组件“x”和“y”(预测)“表有X列，但提供了Y值”错误

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习之卷积神经网络

纵观过去两年，“深度学习”领域已经呈现出巨大发展势头。在计算机视觉领域，深度学习已经有了较大进展，其中卷积神经网络是运用最早和最广泛的深度学习模型，所以今天就和大家分享下卷积神经网络的工作原理。

03

【深度学习】Batch Normalizaton 的作用及理论基础详解

对于 Batch Normalization 的知识最原始的出处来源于《Batch Normalization:Accelerating Deep Network Trainning by Reducing Internal Covariate Shift》这篇论文。

02

深度学习之卷积神经网络

纵观过去两年，“深度学习”领域已经呈现出巨大发展势头。在计算机视觉领域，深度学习已经有了较大进展，其中卷积神经网络是运用最早和最广泛的深度学习模型，所以今天就和大家分享下卷积神经网络的工作原理。首先来聊聊什么是深度学习？什么是深度学习 “Deep learningis abranch of machine learning based on a set of algorithms thatattempt to model highlevel abstractions in databy using a

08

深度学习综述：Hinton、Yann LeCun和Bengio经典重读

翻译 | kevin，刘志远审校 | 李成华【编者按】深度学习三巨头Geoffrey Hinton、Yann LeCun和Yoshua Bengio对AI领域的贡献无人不知、无人不晓。本文是《Nature》杂志为纪念人工智能60周年而专门推出的深度学习综述，也是Hinton、LeCun和Bengio三位大神首次合写同一篇文章。该综述在深度学习领域的重要性不言而喻，可以说是所有人入门深度学习的必读作品。本文上半部分深入浅出介绍深度学习的基本原理和核心优势，下半部分则详解CNN、分布式特征表示、RNN及其

03

入门深度学习，先看看三位顶级大牛Yann LeCun、Yoshua Bengio和Geoffrey Hinton的联合综述

【编者按】深度学习领域的三位大牛Yann LeCun、Yoshua Bengio和Geoffrey Hinton无人不知无人不晓。此前，为纪念人工智能提出60周年，Yann LeCun、Yoshua Bengio和Geoffrey Hinton首次合作了这篇综述文章“Deep Learning”。该综述文章中文译文的上半部分，深入浅出地介绍了深度学习的基本原理和核心优势。原文摘要：深度学习可以让那些拥有多个处理层的计算模型来学习具有多层次抽象的数据的表示。这些方法在许多方面都带来了显著的改善，包括

04

深度学习综述

本文是《Nature》杂志为纪念人工智能60周年而专门推出的深度学习综述，也是Hinton、LeCun和Bengio三位大神首次合写同一篇文章。该综述在深度学习领域的重要性不言而喻，可以说是所有人入门深度学习的必读作品。

02

深度学习综述：Hinton、Yann LeCun和Bengio经典重读

翻译 | kevin，刘志远审校 | 李成华深度学习世界【编者按】深度学习三巨头Geoffrey Hinton、Yann LeCun和Yoshua Bengio对AI领域的贡献无人不知、无人不晓。本文是《Nature》杂志为纪念人工智能60周年而专门推出的深度学习综述，也是Hinton、LeCun和Bengio三位大神首次合写同一篇文章。该综述在深度学习领域的重要性不言而喻，可以说是所有人入门深度学习的必读作品。本文上半部分深入浅出介绍深度学习的基本原理和核心优势，下半部分则详解CNN、分布式特征表

卷积神经网络

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。

03

深度学习基础概念笔记

本文介绍了神经网络模型压缩、加速和量化的一些基本概念和技术，包括量化、剪枝、蒸馏等方法。通过这些技术可以有效地降低神经网络模型的存储和计算复杂度，提高模型的速度和效率。

07

基于深度学习的推荐系统

在微信公众号“机器之心”中无意中看到的论文：Deep Learing based Recommender System：A Survey and New Perspectives

01

深度学习算法中的卷积神经网络（Convolutional Neural Networks）

深度学习是近年来兴起的一种机器学习方法，它通过模拟人脑神经网络的结构和功能，实现对大规模数据进行高效处理和学习。卷积神经网络（Convolutional Neural Networks，简称CNN）是深度学习中最重要和最常用的算法之一，它在图像识别、计算机视觉和自然语言处理等领域取得了巨大的成功。

03

昔日被质疑，今日摘得图灵奖（经典重温）

2019 年 3 月 27 日，ACM 宣布，深度学习三位大牛 Yoshua Bengio、Yann LeCun、Geoffrey Hinton 因“在概念和工程方面使深度神经网络成为计算的关键组成部分的突破”获得了 2018 年的图灵奖。近年来，深度学习方法一直是计算机视觉、语音识别、自然语言处理和机器人技术以及其他应用中惊人突破的原因。

02

深度学习基础概念笔记

01

基于深度卷积神经网络的图像超分辨率重建（SRCNN）学习笔记

目前，单幅图像的超分辨率重建大多都是基于样本学习的，如稀疏编码就是典型的方法之一。这种方法一般先对图像进行特征提取，然后编码成一个低分辨率字典，稀疏系数传到高分辨率字典中重建高分辨率部分，然后将这些部分汇聚作为输出。以往的SR方法都关注学习和优化字典或者建立模型，很少去优化或者考虑统一的优化框架。为了解决上述问题，本文中提出了一种深度卷积神经网络（SRCNN），即一种LR到HR的端对端映射，具有如下性质： ①结构简单，与其他现有方法相比具有优越的正确性，对比结果如下： ②滤波器和层的数量适中，即使在CPU上运行速度也比较快，因为它是一个前馈网络，而且在使用时不用管优化问题； ③实验证明，该网络的复原质量可以在大的数据集或者大的模型中进一步提高。本文的主要贡献：（1）我们提出了一个卷积神经网络用于图像超分辨率重建，这个网络直接学习LR到HR图像之间端对端映射，几乎没有优化后的前后期处理。（2）将深度学习的SR方法与基于传统的稀疏编码相结合，为网络结构的设计提供指导。（3）深度学习在超分辨率问题上能取得较好的质量和速度。图1展示了本文中的方法与其他方法的对比结果：

02

【数据挖掘】卷积神经网络 ( 视觉原理 | CNN 模仿视觉 | 卷积神经网络简介 | 卷积神经网络组成 | 整体工作流程 | 卷积计算图示 | 卷积计算简介 | 卷积计算示例 | 卷积计算参数 )

① 深度学习基础 : 大脑对外界事务的认知原理 , 是很多深度学习算法的基础 , 这里讨论人类的视觉原理 ,

01

人工智能发展史（七）CNN卷积神经网络那些事儿

在大风中紧紧抓住你的帽子，紧紧抓住你的希望，别忘了给你的钟上发条。明天是新的一天。 by怀特 📷 首先祝大家平安夜快乐，明天的圣诞节快乐~ 这周我们用最通俗的解释方法来聊聊最近几年非常火热的CNN卷积神经网络，并以最基础的LeNet-5为大家分析基本的卷积神经网络元部件，让大家能够在短时间内对CNN有更为直观的理解和认识。 1 BP神经网络在图像处理技术上的缺点假设现在我们需要解决的任务是手写体数字的识别，根据前几次学习，我们的第一反应是采用BP神经网络来做一个分类问题。我们假设图片的大小是50*50，那

利用Tensorflow2.0实现卷积神经网络CNN

前面几节课我们给大家介绍的都是全连接神经网络，但全连接神经网络有个明显的缺点，那就是当网络层数较多时（尤其是在图像识别任务中），它每层的参数数量容易变得很大，不好控制。所以本节课老shi准备给大家介绍另外一种非常重要的网络结构——卷积神经网络。卷积神经网络(Convolutional Neural Network, CNN)近几年在深度学习中的应用非常广泛，特别是在图像识别、语音识别以及本文处理方面。可以说，卷积神经网络是深度学习中最重要的神经网络之一，例如图像识别中非常有名的LeNet、AlexNet、 ResNet、VGGNet、InceptionNet等网络结构都是在卷积神经网络基础上得来的。

02

深度学习算法中的可变形卷积神经网络（Deformable Convolutional Networks）

深度学习算法中的可变形卷积神经网络（Deformable Convolutional Networks）

06

keras实战项目——CIFAR-10 图像分类

我们可以简单的将深度神经网络的模块，分成以下的三个部分，即深度神经网络上游的基于生成器的输入模块，深度神经网络本身，以及深度神经网络下游基于批量梯度下降算法的凸优化模块：

01

【斯坦福CS229】一文横扫机器学习要点：监督学习、无监督学习、深度学习

给定一组与输出{y(1),...,y(m)}相关联的数据点{x(1),...,x(m)}，我们希望构建一个能够根据x值预测y值的分类器。

01

一步步提高手写数字的识别率(3)

在前面的两篇文章《一步步提高手写数字的识别率(1)》和《一步步提高手写数字的识别率(2)》中，我们分别介绍了使用Softmax回归和神经网络来实现手写数字识别，其准确率分别在92和98%左右，这在机器学习领域是一个非常不错的准确率，如果我们采用卷积神经网络，准确率还可以进一步提升。

01

Deep learning with Python 学习笔记（7）

卷积神经网络能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。对于某些序列处理问题，这种一维卷积神经网络的效果可以媲美 RNN，而且计算代价通常要小很多，并且，对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代 RNN，而且速度更快

01

【斯坦福CS229】一文横扫机器学习要点：监督学习、无监督学习、深度学习

【磐创AI导读】:提及机器学习，很多人会推荐斯坦福CSS 229。本文便对该课程做了系统的整理。包括监督学习、非监督学习以及深度学习。可谓是是学习ML的“掌上备忘录”。想要学习更多的机器学习、深度学习知识，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

02

使用腾讯云 GPU 学习深度学习系列之三：搭建深度神经网络

本文介绍了如何在深度学习项目中使用 TensorFlow.js，通过实例演示了如何使用 TensorFlow.js 在浏览器中运行深度学习模型，并介绍了在服务器端使用 TensorFlow.js 部署模型的方法。

04

卷积神经网络 CNN

参数共享机制　　在卷积层中每个神经元连接数据窗的权重是固定的，每个神经元只关注一个特性。神经元就是图像处理中的滤波器，比如边缘检测专用的Sobel滤波器，即卷积层的每个滤波器都会有自己所关注一个图像特征，比如垂直边缘，水平边缘，颜色，纹理等等，这些所有神经元加起来就好比就是整张图像的特征提取器集合。

03

【数据挖掘】卷积神经网络 ( 池化 | 丢弃 | 批量规范化 | 卷积神经网络完整流程示例 | 卷积 | 池化 | 全连接 | 输出 | 卷积神经网络总结 )

② 池化过程 : 将图像分割成一块块小区域 , 每个区域只取一个值 , 取该区域的最大值采样 , 或平均值采样 ;

01

论文阅读01——《图卷积神经网络综述》

由于博主已经本硕博连读，九月份即将开始研究生生涯，遂开启论文阅读这一系列博文，主要介绍一些文章的主要思想和创新点，可能会详细介绍一下模型，如果喜欢的话多多关注，另外其他系列也会不定时更新，记得来看~

04

深度学习分类网络的发展历史

人工智能(AI)是目前IT最前沿的领域之一，而深度学习(Deep Learning)则是AI中最火热的方向。深度学习是指深度的神经网络，这主要是因为网络深了之后才可以表现更广阔的意思，而神经网络最基本的问题是分类问题。本文从神经网络开始起，讲讲深度学习分类网络的发展历史以及其中用到的技术。

01

MATLAB中用BP神经网络预测人体脂肪百分比数据|附代码数据

在这个例子中，我们试图建立一个神经网络来估计一个人的脂肪百分比，这个人由13个物理属性描述。

00

徒手实现CNN：综述论文详解卷积网络的数学本质

选自arXiv 机器之心编译参与：黄小天、路雪、蒋思源近日南洋理工大学研究者发布了一篇描述卷积网络数学原理的论文，该论文从数学的角度阐述整个卷积网络的运算与传播过程。该论文对理解卷积网络的数学本质非常有帮助，有助于读者「徒手」（不使用卷积API）实现卷积网络。论文地址：https://arxiv.org/pdf/1711.03278.pdf 在该论文中，我们将从卷积架构、组成模块和传播过程等方面了解卷积网络的数学本质。读者可能对卷积网络具体的运算过程比较了解，入门读者也可先查看 Capsule 论文解

卷积神经网络的网络结构——以LeNet-5为例

卷积神经网络是一种特殊的多层神经网络，像其它的神经网络一样，卷积神经网络也使用一种反向传播算法来进行训练，不同之处在于网络的结构。卷积神经网络的网络连接具有局部连接、参数共享的特点。局部连接是相对于普通神经网络的全连接而言的，是指这一层的某个节点只与上一层的部分节点相连。参数共享是指一层中多个节点的连接共享相同的一组参数。

02

深度学习与CV教程(5) | 卷积神经网络

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

05

【连载17】GoogLeNet Inception V2

GoogLeNet Inception V2在《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》出现，最大亮点是提出了Batch Normalization方法，它起到以下作用：

04

用 Pytorch 理解卷积网络

原标题 | CONVOLUTIONAL NEURAL NETWORKS EXPLAINED: USING PYTORCH TO UNDERSTAND CNNS

02

非常详细 | 用 Pytorch 理解卷积网络

在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99％的精度。我们每天都会看到这种情况-智能手机可以识别相机中的面部；使用Google图片搜索特定照片的能力；从条形码或书籍中扫描文本。借助卷积神经网络（CNN），这一切都是可能的，卷积神经网络是一种特定类型的神经网络，也称为卷积网络。

03

深入浅出解读卷积神经网络

作者：石文华编辑：田　旭卷积神经网络图1 全连接神经网络结构图图2 卷积神经网络结构图卷积神经网络和全连接的神经网络结构上的差异还是比较大的，全连接的网络，相邻两层的节点都有边相连，而卷积神

04

基于深度学习的图像风格转换

距离上次写博客已经好久好久好久了，真是懈怠的生活节奏，整天混吃等死玩游戏，前些日子做毕业设计时总算又学了点新东西。学了一点深度学习和卷积神经网络的知识，附带着详细学习了一下前段时间我觉得比较有意思的图像风格转换。毕竟是初学，顺便把神经网络方面的知识也写在前面了，便于理解。若有不对的地方的话，希望指正。主要参考的文献有《A Neural Algorithm of Artistic Style》和《Perceptual Losses for Real-Time Style Transfer a

08

手撕CNN：综述论文详解卷积网络的数学本质

在该论文中，我们将从卷积架构、组成模块和传播过程等方面了解卷积网络的数学本质。读者可能对卷积网络具体的运算过程比较了解，入门读者也可先查看 Capsule 论文解读的第一部分了解详细的卷积过程，但其实我们一般并不会关注于卷积网络到底在数学上是如何实现的。因为各大深度学习框架都提供了简洁的卷积层API，所以我们不需要数学表达式也能构建各种各样的卷积层，我们最多只需要关注卷积运算输入与输出的张量维度是多少就行。这样虽然能完美地实现网络，但我们对卷积网络的数学本质和过程仍然不是太清楚，这也就是本论文的目的。

01

卷积神经网络简介

前面介绍光学神经网络进展的笔记里(基于频率梳的光学神经网络)，多次提到卷积神经网络(convolutional neural network, 以下简称CNN)。这里对CNN做一个更详细的介绍。

04

从零基础成为深度学习高手——Ⅱ

今天继续昨天的知识，继续学习新的一个阶段知识：深度学习基础知识接下来我们了解一下基础知识，我们上面也提到了，我们这次主要以卷积神经网络在图像识别领域的应用来介绍深度学习的，卷积神经网络，这个词

06

入门 | 一文看懂卷积神经网络

选自Medium 作者： Pranjal Yadav 机器之心编译参与：Nurhachu Null、路雪本文主要介绍了神经网络中的卷积神经网络，适合初学者阅读。概述深度学习和人工智能是 2016 年的热词；2017 年，这两个词愈发火热，但也更加容易混淆。我们将深入深度学习的核心，也就是神经网络。大多数神经网络的变体是难以理解的，并且它们的底层结构组件使得它们在理论上和图形上是一样的。下图展示了最流行的神经网络变体，可参考这篇博客 (http://www.asimovinstitute.org/n

神经网络速记概念解释

1、将输入图像传递到第一个卷积层中，卷积后以激活图形式输出。图片在卷积层中过滤后的特征会被输出，并传递下去 2、每个过滤器都会给出不同的特征，以帮助进行正确的类预测。因为需要保证图像大小的一致，所以使用同样的填充（零填充），否则填充会被使用，因为它可以帮助减少特征的数量零填充，可以理解为特征稀疏化，留下来的特征更能代表这个图像 3、随后加入池化层进一步减少参数的数量 4、在预测最终提出前，数据会经过多个卷积和池化层的处理。卷积层会帮助提取特征，越深的卷积神经网络会提取越具体的特征，越浅的网络提取越浅显的特征 5、CNN 中的输出层是全连接层，其中来自其他层的输入在这里被平化和发送，以便将输出转换为网络所需的参数 6、随后输出层会产生输出，这些信息会互相比较排除错误。损失函数是全连接输出层计算的均方根损失。随后我们会计算梯度错误 7、错误会进行反向传播，以不断改进过滤器（权重）和偏差值 8、一个训练周期由单次正向和反向传递完成

02

吊炸天的CNNs，这是我见过最详尽的图解！（下）

导读：卷积神经网络（CNNs）在“自动驾驶”、“人脸识别”、“医疗影像诊断”等领域，都发挥着巨大的作用。这一无比强大的算法，唤起了很多人的好奇心。当阿尔法狗战胜了李世石和柯杰后，人们都在谈论“它”。但是， “它”是谁？ “它”是怎样做到的？已经成为每一个初入人工智能——特别是图像识别领域的朋友，都渴望探究的秘密。本文通过“算法可视化”的方法，将卷积神经网络的原理，呈献给大家。教程分为上、下两个部分，通篇长度不超过7000字，没有复杂的数学公式，希望你读得畅快。下面，我们就开始吧！上一节课，我们已

07

深度学习概述

目前，关于神经网络的定义尚不统一，按美国神经网络学家Hecht Nielsen 的观点，神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息”。

02

CNN卷积神经网络之通俗理解！

简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。

04

干货|Hinton、LeCun、Bengio三巨头权威科普深度学习

借助深度学习，多处理层组成的计算模型可通过多层抽象来学习数据表征（ representations）。这些方法显著推动了语音识别、视觉识别、目标检测以及许多其他领域（比如，药物发现以及基因组学）的技术发展。利用反向传播算法（backpropagation algorithm）来显示机器将会如何根据前一层的表征改变用以计算每层表征的内部参数，深度学习发现了大数据集的复杂结构。深层卷积网络（deep convolutional nets)为图像、视频和音频等数据处理上带来突破性进展，而递归网络（recurrent nets ）也给序列数据（诸如文本、语言）的处理带来曙光。

02

常用激活函数理解

激活函数实现去线性化。神经元的结构的输出为所有输入的加权和，这导致神经网络是一个线性模型。如果将每一个神经元（也就是神经网络的节点）的输出通过一个非线性函数，那么整个神经网络的模型也就不再是线性的了，这个非线性函数就是激活函数。常见的激活函数有：ReLU函数、sigmoid函数、tanh函数。

02

使用卷积神经网络（CNN）做人脸识别的示例代码

关于人脸识别，目前有很多经典的算法，当我大学时代，我的老师给我推荐的第一个算法是特征脸法，原理是先将图像灰度化，然后将图像每行首尾相接拉成一个列向量，接下来为了降低运算量要用PCA降维，最后进分类器分类，可以使用KNN、SVM、神经网络等等，甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法，除此之外还有FisherFaceRecognizer、LBPHFaceRecognizer以及最近几年兴起的卷积神经网络等。

04

快乐学AI系列——计算机视觉（4.篇外）什么是“卷积神经网络”

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉领域的图像分类、目标检测和图像分割任务中。它的核心思想是通过卷积运算从原始数据中提取特征，然后将这些特征传递给全连接层进行分类或回归。

01

带你了解什么是卷积神经网络

CNN在图像处理和视频处理领域有着广泛的应用。在这篇文章中，我将详细介绍卷积神经网络是如何进化的，以及为什么它们在图像领域如此出色。在此基础上，我们将建立一个使用Keras的卷积神经网络。

00

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭