1. 定义与概念

2. 在卷积神经网络（CNN）中，参数共享（Parameter Sharing）是指在卷积层（Convolutional Layer）中，同一个卷积核（Filter）在整个输入数据的不同位置进行卷积操作时，使用相同的一组参数（即权重）。例如，在对一幅图像进行卷积操作时，一个3x3的卷积核在图像的左上角位置计算特征时使用的权重，与它在图像右下角位置计算特征时使用的权重是完全相同的。

3. 工作原理

4. 假设我们有一个大小为(n\times n)的输入图像和一个大小为(k\times k)（(k\lt n)）的卷积核。卷积核从图像的左上角开始，以一定的步长（例如步长为1）向右和向下滑...

Read more

1. 定义与基本概念
2. 在卷积神经网络（CNN）中，卷积层（Convolutional Layer）是核心组成部分。它通过使用卷积核（也称为滤波器）在输入数据（例如图像、文本序列等）上进行卷积操作，从而提取数据中的特征。可以将卷积层看作是一个自动特征提取器，它能够学习到输入数据中不同的局部模式。

3. 例如，在处理图像数据时，卷积层中的卷积核会在图像的像素矩阵上滑动，通过计算卷积核与对应像素区域的加权和，来检测图像中的各种特征，如边缘、角落、纹理等。就像用一个小的“探测器”在图像上移动，寻找特定的图案。

4. 工作原理

5. 卷积操作细节
   • 假设输入数据是一个二维矩阵（如单通道的灰度图像），大小为(W_{...

Read more

1. 偏差（Bias）的概念
2. 在机器学习领域，模型的偏差是指模型预测值与真实值之间的系统性差异。简单来说，偏差反映了模型本身的拟合能力，即模型在学习数据模式时是否存在某种倾向性的错误。例如，假设真实的数据分布是一个复杂的二次函数曲线，但我们使用一个简单的线性模型去拟合，这个线性模型就会因为其自身结构的限制，存在一种固定的、偏离真实值的倾向，这就是高偏差。
3. 高偏差模型的特点与表现
4. 欠拟合（Underfitting）现象：高偏差模型通常会出现欠拟合问题。这意味着模型过于简单，无法捕捉到数据中的复杂模式和细节。以图像分类任务为例，如果使用一个仅包含一层且神经元数量很少的神经网络来分类具有多种复杂特...

Read more

1. 定义与概念

2. 在深度学习领域，特别是卷积神经网络（CNN）中，“padding”（填充）是一种操作。它是指在输入数据（通常是图像、文本序列等）的边缘添加额外的像素（对于图像）或元素（对于序列）。例如，在一个二维图像卷积操作前，在图像的四周添加一圈像素值，这些添加的像素就是填充。

3. 目的和作用

4. 保持输出特征图尺寸：在卷积操作中，不使用填充时，输出特征图的尺寸会随着卷积操作而逐渐减小。例如，对于一个大小为(n\times n)的输入图像，使用大小为(k\times k)的卷积核，步长为(1)，若不进行填充，每次卷积操作后，输出特征图的边长会减少((k - 1))。通过填充合适数量的像素...

Read more

“stride”这个词在不同的语境中有不同的含义，在计算机科学，特别是深度学习领域以及日常用语中有以下解释：

一、在深度学习（卷积神经网络 - CNN）中的含义

1. 定义

2. 在卷积神经网络中，“stride”（步长）是指卷积核在输入数据（如图像、序列等）上滑动的步长大小。它决定了卷积操作后输出特征图（Feature Map）的尺寸。例如，在一个二维图像的卷积操作中，卷积核从左上角开始，按照指定的步长向右和向下滑动，对覆盖的区域进行卷积计算。

3. 对输出特征图尺寸的影响

4. 对于输入数据大小为(W_{in})（宽度）、(H_{in})（高度），卷积核大小为(k)（假设为正方形卷积核），步长为(...

Read more

1. 滤波器在卷积神经网络中的角色
2. 特征提取的核心工具：在卷积神经网络（CNN）中，滤波器（Filter）也称为卷积核（Convolution Kernel），是用于提取特征的关键组件。它就像是一个“特征探测器”，通过在输入数据（如图像、文本序列等）上滑动进行卷积操作来捕捉数据中的局部特征模式。例如，在图像识别任务中，不同的滤波器可以分别检测图像中的边缘、纹理、角落等特征。一个简单的3x3边缘检测滤波器可能在水平方向上有正负交替的权重，当它在图像上滑动时，能够敏锐地捕捉到像素值在水平方向上的变化，即水平边缘。
3. 构建卷积层的基本元素：卷积层是CNN的核心层，而滤波器是卷积层的基本构建块。一个卷...

Read more

1. 定义与基本原理
2. 自动编码器（Autoencoder）是一种神经网络架构，主要用于无监督学习。它的目标是学习输入数据的一种有效表示（编码），并且能够从这种编码中重建原始输入数据。
3. 自动编码器由两部分组成：编码器（Encoder）和解码器（Decoder）。编码器将输入数据压缩成一个低维的表示（通常称为潜在空间表示或编码），而解码器则将这个低维表示还原为与原始输入尽可能相似的数据。例如，对于一个图像数据集，编码器可以将一张高分辨率的图像（如100×100像素，具有3个颜色通道，总共30000个像素值）转换为一个低维向量（如100维），这个向量就包含了图像的关键特征信息；解码器则根据这个10...

Read more

1. 基本含义
2. 在神经网络领域，尤其是卷积神经网络（CNN）中，“receptive field”（感受野）是一个关键概念。它是指神经元（或者说卷积核）在输入数据上所对应的区域大小。可以将其理解为神经元能够感知输入数据的“视野范围”。

3. 例如，在一个简单的卷积神经网络用于图像识别时，最开始的卷积层中的神经元感受野较小，只能感知图像中很小的一块区域，比如一个3x3的卷积核对应的感受野大小就是3x3像素区域。随着网络层数的增加，后面层的神经元可以通过前面层的信息传递，拥有更大的感受野，能够感知到图像中更大范围的信息。

4. 计算方式

5. 简单卷积层情况
   • 假设输入特征图（input feature m...

Read more

Google Colab是由Google Research团队开发的一款基于云的免费Jupyter笔记本环境，全称为Google Colaboratory.以下是关于它的详细介绍：

特点

• 无需配置：用户无需进行复杂的环境设置，可直接在浏览器中编写和执行Python代码，并且能免费使用包括GPU和TPU在内的计算资源，降低了机器学习和深度学习的入门门槛.
• 集成方便：默认集成了Hugging Face Transformers库等常用工具和库，方便用户快速开展相关的研究和实验，还能直接从Pandas读取Hugging Face数据集，大大简化了数据处理和模型训练的工作流程.
• 易于分享：笔记...

Read more

1. 定义与概念

2. 元学习（Meta - Learning）也被称为“学习如何学习”（Learning to Learn）。它的主要目标是让机器能够快速学习新的任务，通过在多个相关任务的学习过程中积累经验，从而能够更高效地适应新的、未见过的任务。传统机器学习方法侧重于针对单个任务进行优化，而元学习则关注如何利用从多个任务中获取的知识来提升模型的泛化能力和学习效率。例如，人类在学习过程中可以从多个相似学科（如不同类型的数学分支）的学习经验中总结出通用的学习策略，元学习试图让机器也具备类似的能力。

3. 主要方法

4. 基于模型的元学习方法
   • MAML（Model - Agnostic Meta - L...

Read more