91在线观看视频-91在线观看视频-91在线观看免费视频-91在线观看免费-欧美第二页-欧美第1页

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

講解CNN+RNN的各種組合方式,以及CNN和RNN的對(duì)比

Dbwd_Imgtec ? 來(lái)源:未知 ? 作者:李倩 ? 2018-09-13 15:22 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

一、前述

CNN和RNN幾乎占據(jù)著深度學(xué)習(xí)的半壁江山,所以本文將著重講解CNN+RNN的各種組合方式,以及CNN和RNN的對(duì)比。

二、CNN與RNN對(duì)比

1、CNN卷積神經(jīng)網(wǎng)絡(luò)與RNN遞歸神經(jīng)網(wǎng)絡(luò)直觀圖

2、相同點(diǎn):

2.1. 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展。

2.2. 前向計(jì)算產(chǎn)生結(jié)果,反向計(jì)算模型更新。

2.3. 每層神經(jīng)網(wǎng)絡(luò)橫向可以多個(gè)神經(jīng)元共存,縱向可以有多層神經(jīng)網(wǎng)絡(luò)連接。

3、不同點(diǎn)

3.1. CNN空間擴(kuò)展,神經(jīng)元與特征卷積;RNN時(shí)間擴(kuò)展,神經(jīng)元與多個(gè)時(shí)間輸出計(jì)算

3.2. RNN可以用于描述時(shí)間上連續(xù)狀態(tài)的輸出,有記憶功能,CNN用于靜態(tài)輸出

3. 3. CNN高級(jí)100+深度,RNN深度有限

三、CNN+RNN組合方式

1. CNN 特征提取,用于RNN語(yǔ)句生成圖片標(biāo)注。

2. RNN特征提取用于CNN內(nèi)容分類(lèi)視頻分類(lèi)。

3. CNN特征提取用于對(duì)話(huà)問(wèn)答圖片問(wèn)答。

四、具體應(yīng)用

1、圖片標(biāo)注

基本思路

目標(biāo)是產(chǎn)生標(biāo)注的語(yǔ)句,是一個(gè)語(yǔ)句生成的任務(wù),LSTM?描述的對(duì)象大量圖像信息,圖像信息表達(dá),CNN?CNN網(wǎng)絡(luò)中全連接層特征描述圖片,特征與LSTM輸入結(jié)合。

具體步驟:

1.1 模型設(shè)計(jì)-特征提取全連接層特征用來(lái)描述原圖片LSTM輸入:word+圖片特征;輸出下一word。

1.2 模型設(shè)計(jì)-數(shù)據(jù)準(zhǔn)備

1. 圖片CNN特征提取2. 圖片標(biāo)注生成Word2Vect 向量3. 生成訓(xùn)練數(shù)據(jù):圖片特征+第n單詞向量:第n+1單詞向量。

1.3 模型訓(xùn)練:

1. 運(yùn)用遷移學(xué)習(xí),CNN特征,語(yǔ)句特征應(yīng)用已有模型2. 最終的輸出模型是LSTM,訓(xùn)練過(guò)程的參數(shù)設(shè)定:梯度上限(gradient clipping), 學(xué)習(xí)率調(diào)整(adaptivelearning)3. 訓(xùn)練時(shí)間很長(zhǎng)。

1.4 模型運(yùn)行:

1. CNN特征提取2. CNN 特征+語(yǔ)句開(kāi)頭,單詞逐個(gè)預(yù)測(cè)

2、視頻行為識(shí)別 :

視頻中在發(fā)生什么?

2.1常用方法總結(jié):

RNN用于CNN特征融合1. CNN 特征提取2. LSTM判斷3. 多次識(shí)別結(jié)果分析。

不同的特征不同輸出。

或者:所有特征作為一個(gè)輸出。

2.2 RNN用于CNN特征篩選+融合:

1. 并不是所有的視頻 圖像包含確定分類(lèi)信息2. RNN用于確定哪些frame 是有用的3. 對(duì)有用的圖像特征 融合。

2.3 RNN用于,目標(biāo)檢測(cè):

1. CNN直接產(chǎn)生目標(biāo)候選區(qū)2. LSTM對(duì)產(chǎn)生候選區(qū)融合(相鄰時(shí)刻位置近 似)3. 確定最終的精確位置。

2.4 多種模型綜合:

競(jìng)賽/應(yīng)用中,為了產(chǎn)生最好結(jié)果,多采用 多模型ensemble形式。

3、圖片/視頻問(wèn)答

3.1 問(wèn)題種類(lèi)

3.2 圖片問(wèn)答意義

1. 是對(duì)純文本語(yǔ)言問(wèn)答系統(tǒng)的擴(kuò)展2. 圖片理解和語(yǔ)言處理的深度融合3. 提高人工智能應(yīng)用范圍-觀察,思考,表達(dá)

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • cnn
    cnn
    +關(guān)注

    關(guān)注

    3

    文章

    354

    瀏覽量

    22748
  • 遷移學(xué)習(xí)
    +關(guān)注

    關(guān)注

    0

    文章

    74

    瀏覽量

    5733
  • rnn
    rnn
    +關(guān)注

    關(guān)注

    0

    文章

    89

    瀏覽量

    7115

原文標(biāo)題:深度學(xué)習(xí)篇——CNN和RNN結(jié)合與對(duì)比,實(shí)例講解

文章出處:【微信號(hào):Imgtec,微信公眾號(hào):Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    TF之CNNCNN實(shí)現(xiàn)mnist數(shù)據(jù)集預(yù)測(cè)

    TF之CNNCNN實(shí)現(xiàn)mnist數(shù)據(jù)集預(yù)測(cè) 96%采用placeholder用法+2層C及其max_pool法+隱藏層dropout法+輸出層softmax法+目標(biāo)函數(shù)cross_entropy法+
    發(fā)表于 12-19 17:02

    利用RNN進(jìn)行文章生成

    利用RNN進(jìn)行文章生成
    發(fā)表于 05-24 08:35

    遞歸神經(jīng)網(wǎng)絡(luò)(RNN

    遞歸神經(jīng)網(wǎng)絡(luò)(RNNRNN是最強(qiáng)大的模型之一,它使我們能夠開(kāi)發(fā)如分類(lèi)、序列數(shù)據(jù)標(biāo)注、生成文本序列(例如預(yù)測(cè)下一輸入詞的SwiftKey keyboard應(yīng)用程序),以及將一個(gè)序列轉(zhuǎn)換為另一個(gè)序列
    發(fā)表于 07-20 09:27

    CNNRNN結(jié)合與對(duì)比,實(shí)例講解

    由 mengqiqi 于 星期三, 2018-09-05 09:58 發(fā)表 一、前述 CNNRNN幾乎占據(jù)著深度學(xué)習(xí)的半壁江山,所以本文將著重講解CNN+RNN
    發(fā)表于 09-06 22:32 ?958次閱讀

    一文帶你了解(神經(jīng)網(wǎng)絡(luò))DNN、CNN、和RNN

    很多“長(zhǎng)相相似”的專(zhuān)有名詞,比如我們今天要說(shuō)的“三胞胎”DNN(深度神經(jīng)網(wǎng)絡(luò))、CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(遞歸神經(jīng)網(wǎng)絡(luò)),就讓許許多多的AI初學(xué)者們傻傻分不清楚。而今天,就讓我們一起擦亮眼睛,好好
    發(fā)表于 03-13 14:32 ?5178次閱讀

    CNNRNN對(duì)比 CNN+RNN組合方式

    相同點(diǎn): 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展。 前向計(jì)算產(chǎn)生結(jié)果,反向計(jì)算模型更新。 每層神經(jīng)網(wǎng)絡(luò)橫向可以多個(gè)神經(jīng)元共存,縱向可以有多層神經(jīng)網(wǎng)絡(luò)連接。
    發(fā)表于 02-08 19:07 ?7627次閱讀

    深度分析RNN的模型結(jié)構(gòu),優(yōu)缺點(diǎn)以及RNN模型的幾種應(yīng)用

    神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的載體,而神經(jīng)網(wǎng)絡(luò)模型中,最經(jīng)典非RNN模型所屬,盡管它不完美,但它具有學(xué)習(xí)歷史信息的能力。后面不管是encode-decode 框架,還是注意力模型,以及自注意力模型,以及更加
    的頭像 發(fā)表于 05-13 10:47 ?2.5w次閱讀
    深度分析<b class='flag-5'>RNN</b>的模型結(jié)構(gòu),優(yōu)缺點(diǎn)<b class='flag-5'>以及</b><b class='flag-5'>RNN</b>模型的幾種應(yīng)用

    基于CNN和LSTM的蛋白質(zhì)亞細(xì)胞定位研究對(duì)比

    基于CNN和LSTM的蛋白質(zhì)亞細(xì)胞定位研究對(duì)比
    發(fā)表于 06-11 14:16 ?15次下載

    RNN以及LSTM

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。相比一般的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō),他能夠處理序列變化的數(shù)據(jù)。比如某個(gè)單詞的意思會(huì)因?yàn)樯衔奶岬降膬?nèi)容不同而有不同的含義,RNN就能夠很好地解決這類(lèi)問(wèn)題。
    的頭像 發(fā)表于 03-15 10:44 ?2138次閱讀

    cnn卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 cnn卷積神經(jīng)網(wǎng)絡(luò)代碼

    以解決圖像識(shí)別問(wèn)題為主要目標(biāo),但它的應(yīng)用已經(jīng)滲透到了各種領(lǐng)域,從自然語(yǔ)言處理、語(yǔ)音識(shí)別、到物體標(biāo)記以及醫(yī)療影像分析等。在此,本文將對(duì)CNN的原理、結(jié)構(gòu)以及基礎(chǔ)代碼進(jìn)行
    的頭像 發(fā)表于 08-21 17:16 ?3311次閱讀

    NLP模型中RNNCNN的選擇

    在自然語(yǔ)言處理(NLP)領(lǐng)域,循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)與卷積神經(jīng)網(wǎng)絡(luò)(CNN)是兩種極為重要且廣泛應(yīng)用的網(wǎng)絡(luò)結(jié)構(gòu)。它們各自具有獨(dú)特的優(yōu)勢(shì),適用于處理不同類(lèi)型的NLP任務(wù)。本文旨在深入探討RNN
    的頭像 發(fā)表于 07-03 15:59 ?1076次閱讀

    rnn神經(jīng)網(wǎng)絡(luò)模型原理

    的應(yīng)用。本文將介紹RNN的原理、結(jié)構(gòu)、優(yōu)化方法以及實(shí)際應(yīng)用。 RNN的基本原理 1.1 循環(huán)結(jié)構(gòu) RNN的核心特點(diǎn)是具有循環(huán)結(jié)構(gòu),即網(wǎng)絡(luò)中的神經(jīng)元不僅與前一層的神經(jīng)元相連,還與同一層次
    的頭像 發(fā)表于 07-04 15:40 ?1112次閱讀

    rnn是什么神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network,循環(huán)神經(jīng)網(wǎng)絡(luò))是一種具有循環(huán)連接的神經(jīng)網(wǎng)絡(luò),它能夠處理序列數(shù)據(jù),并且具有記憶能力。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural
    的頭像 發(fā)表于 07-05 09:49 ?1386次閱讀

    CNNRNN的關(guān)系?

    在深度學(xué)習(xí)的廣闊領(lǐng)域中,卷積神經(jīng)網(wǎng)絡(luò)(CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是兩種極為重要且各具特色的神經(jīng)網(wǎng)絡(luò)模型。它們各自在圖像處理、自然語(yǔ)言處理等領(lǐng)域展現(xiàn)出卓越的性能。本文將從概念、原理、應(yīng)用場(chǎng)景及代碼示例等方面詳細(xì)探討CNN
    的頭像 發(fā)表于 07-08 16:56 ?1668次閱讀

    RNN的基本原理與實(shí)現(xiàn)

    RNN,即循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network),是一種特殊類(lèi)型的人工神經(jīng)網(wǎng)絡(luò),專(zhuān)門(mén)設(shè)計(jì)用于處理序列數(shù)據(jù),如文本、語(yǔ)音、視頻等。以下是對(duì)RNN基本原理與實(shí)現(xiàn)的介紹: 一
    的頭像 發(fā)表于 11-15 09:49 ?1456次閱讀
    主站蜘蛛池模板: 亚洲天天做夜夜做天天欢人人 | 免费黄色在线观看 | 日本a免费 | 亚洲电影一区二区三区 | 亚洲一区二区福利视频 | 欧美三级一区二区三区 | 美女被免费网站视频九色 | 奇米色婷婷| 亚洲三级电影 | 91华人在线视频 | 国产一区二区三区美女图片 | 夜色福利视频 | 亚洲免费在线看 | 天天爽夜爽免费精品视频 | 最近视频在线播放免费观看 | 操操操干干干 | 亚洲a网站 | 久久精品夜夜夜夜夜久久 | 国产一级毛片国语版 | 亚洲欧美性另类春色 | 色综合88 | 亚洲 欧洲 另类 综合 自拍 | 久久草在线免费 | 久久这里只有精品免费视频 | 69精品久久久久 | 七月丁香八月婷婷综合激情 | 国产三级a三级三级野外 | 两性色午夜视频免费老司机 | 精品四虎免费观看国产高清午夜 | 久久亚洲视频 | 免费的色网站 | 久久免费特黄毛片 | 天天干天天弄 | semm亚洲欧美在线高清 | 久久青草91免费观看 | 四虎国产一区二区三区 | 色图插插插 | 91成人在线播放 | 一级女人毛片人一女人 | 一级毛片美国一级j毛片不卡 | 日本不卡视频一区二区 |