cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來(lái)確定。

另外，最近神經(jīng)網(wǎng)絡(luò)自動(dòng)搜索結(jié)構(gòu)非常流行。最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來(lái)尋找特定數(shù)據(jù)集的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)

CNN卷積神經(jīng)網(wǎng)絡(luò)是一種深度模型。

事實(shí)上，它已經(jīng)成功地訓(xùn)練和應(yīng)用了很長(zhǎng)一段時(shí)間（最近，深度學(xué)習(xí)可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，但很多人在將其放入DL家族時(shí)仍然保持著自己的理解。它在原始輸入中使用可訓(xùn)練濾波器和局部鄰域池運(yùn)算，得到一個(gè)層次化的、逐漸復(fù)雜的特征表示。實(shí)踐表明，采用適當(dāng)?shù)恼齽t化項(xiàng)進(jìn)行訓(xùn)練可以取得很好的效果。CNN的另一個(gè)最受歡迎的特點(diǎn)是它對(duì)姿勢(shì)、光線和復(fù)雜背景等事物保持不變。

利用卷積神經(jīng)網(wǎng)絡(luò)模型，怎么識(shí)別人體行為動(dòng)作？

對(duì)于目前的深度學(xué)習(xí)模型，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計(jì)能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)的應(yīng)用還需要一定的專業(yè)化，目前還沒(méi)有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時(shí)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)化和關(guān)注度。一般模型需要在將來(lái)提出。

圖像和視頻處理，計(jì)算機(jī)視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點(diǎn)。將上述模型應(yīng)用于圖像分類識(shí)別中。在圖像分割、目標(biāo)檢測(cè)等方面，提出了更有針對(duì)性的模型，并得到了廣泛的應(yīng)用。

語(yǔ)音處理，2012年之前，最先進(jìn)的語(yǔ)音識(shí)別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學(xué)習(xí)RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長(zhǎng)、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語(yǔ)言處理方法外，目前的自然語(yǔ)言處理深度學(xué)習(xí)模型也經(jīng)歷了幾個(gè)發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場(chǎng)景有不同的模型和策略來(lái)解決一些問(wèn)題。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語(yǔ)音以及NLP？

用于目標(biāo)檢測(cè)的CNN網(wǎng)絡(luò)模型可以提供目標(biāo)類型分析和位置幀。

rcnn是什么神經(jīng)網(wǎng)絡(luò)？

深度學(xué)習(xí)模型很常見：卷積神經(jīng)網(wǎng)絡(luò)CNN、堆疊式自動(dòng)編碼器SAE、遞歸神經(jīng)網(wǎng)絡(luò)DNN、生成對(duì)抗網(wǎng)絡(luò)Gan、深度信念網(wǎng)絡(luò)DBN、深度神經(jīng)網(wǎng)絡(luò)DNN、深度強(qiáng)化學(xué)習(xí)DRL以及模型的許多變體。

深度學(xué)習(xí)中沒(méi)有預(yù)測(cè)模型，只是那些模型是一個(gè)預(yù)測(cè)問(wèn)題。GDP預(yù)測(cè)是一個(gè)連續(xù)的問(wèn)題。我覺得CNN、DBN和DNN不合適。如果數(shù)據(jù)量有限，參考互聯(lián)網(wǎng)金融，我覺得遷移學(xué)習(xí)深度學(xué)習(xí)模式是一個(gè)不錯(cuò)的選擇。個(gè)人觀點(diǎn)，僅供參考，更多官方賬號(hào)可關(guān)注個(gè)人微信公眾號(hào)“深度學(xué)習(xí)與NLP”。