首页 AI学术青年与开发者社区

NLP工程师入门实践:基于深度学习的自然语言处理

开课时间:2月开课,每周定时更新
开课时长:三大模块,预计20个课时
NLP领域 基础入门
会员免费
现价:¥599.00
原价:¥699.00

  开通会员,立省599元 立即开通

  当前课程,会员领券立减59元>>

该课程已关闭

CNN (Convolutional Neural Network) 基本驵成

LeNet-5 例子:

  • 输入尺寸:32*32
  • 卷积层 (Convolution Layer) : 3 个
  • 降采样层 (Downsampling/Subsampling/Pooling) : 2 个
  • 全连接层 (Fully-connected Layer) : 1 个
  • 输出 (Output Layer: SVM 等): 10 个类别 (数子0-9 机率)

卷积层

  • 原始图片的与特定的Feature Detector(filter)做卷积运算
  • Feature Detector(Filter)会随机产生好几种(ex:6种),Feature Detector的目的就是帮助我们萃取出图片当中的一些特征(ex:形状)

池化层

  • 将图片资料量减少并保留重要资讯的方法,把原本的资料做一个最大化 (Max Pooling) 或是平均化的降维计算
  • 最重要目的是减少参数,防止过度拟合 (overfitting)

全连接层

  • 一般负责维度转换,最后用来做分类或回归

激活函数

  • 将 "激活的神经元的特征" 透过函数把特征保留并映射出来
  • 这是神经网路能解决非线性问题关键
  • 常见激活函数
    • Tanh
    • Sigmoid
    • ReLU
[展开全文]

授课教师

新加坡南洋理工大学 博士
微信扫码分享课程