avatar
文章
124
标签
21
课程
29
主页
标签
课程
关于
風
搜索
主页
标签
课程
关于

EE6427-Video_Signgal_Processing-P4-AI_Models_&_Architecture

发表于2026-01-15|更新于2026-08-17|南洋理工CEEE6427-Video-Signal-Processing
文章作者: 栞风
文章链接: https://www.kaysonz.top/posts/ae1fb0d2
版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 風！
private计算机视觉
目录
  1. 1. 引入
    1. 1.1. 深度学习模型
    2. 1.2. 人工神经元
  2. 2. 卷积神经网络（Convolutional Neural Network CNN）
    1. 2.1. 多层感知器（Multiple Layer Perceptron MLP）
      1. 2.1.1. MLP
      2. 2.1.2. 线性分类器
      3. 2.1.3. 损失函数
        1. 2.1.3.1. 回归任务常用的损失函数
        2. 2.1.3.2. 分类任务常用损失函数
    2. 2.2. CNN 架构
      1. 2.2.1. 卷积层
      2. 2.2.2. 激活层（Activation Layer）
      3. 2.2.3. 池化层（Pooling Layer）
      4. 2.2.4. 全连接层（FC Layer）
      5. 2.2.5. Softmax层
      6. 2.2.6. CNN练习题
    3. 2.3. CNN训练和优化
    4. 2.4. 著名的CNN架构
      1. 2.4.1. CNN的发展时间线
      2. 2.4.2. VGG Network
      3. 2.4.3. ResNet残差网络
    5. 2.5. 评价CNN的关键性能指标
  3. 3. 循环神经网络（Recurrent Neural Network RNN）
    1. 3.1. 引入
    2. 3.2. 序列架构（Sequence Modelling）
      1. 3.2.1. 一对多映射（One-to-Many Mapping）
      2. 3.2.2. 多对一映射(Many-to-One Mapping)
      3. 3.2.3. 多对多映射(Many-to-Many Mapping)
    3. 3.3. 编码器与解码器架构
    4. 3.4. RNN架构
      1. 3.4.1. 结构
      2. 3.4.2. 隐藏状态层的更新
      3. 3.4.3. 输出的生成
      4. 3.4.4. 基础RNN（Vanilla RNN/Elman RNN）
      5. 3.4.5. RNN的例题
    5. 3.5. RNN的优势和劣势
    6. 3.6. RNN训练和优化
      1. 3.6.1. 训练原理
      2. 3.6.2. 梯度爆炸与梯度消失
  4. 4. 长短期记忆网络（Long Short-Term Memory LSTM）
    1. 4.1. LSTM的结构
    2. 4.2. LSTM练习题
  5. 5. Transformer
    1. 5.1. 注意力（Attention）
      1. 5.1.1. 是什么
      2. 5.1.2. 怎么算
      3. 5.1.3. 例题
    2. 5.2. Transformer架构
      1. 5.2.1. 引入：编码器与解码器
      2. 5.2.2. Transformer架构总览
      3. 5.2.3. Transformer中的自注意力层
      4. 5.2.4. 多头注意力（Multi-head attention）
      5. 5.2.5. 注意力掩码
      6. 5.2.6. 位置编码（Position Encoding）
      7. 5.2.7. 残差连接与层归一化
      8. 5.2.8. Transformer架构总览
      9. 5.2.9. 最终的线性层和输出层
    3. 5.3. Vision Transformer
©2024 - 2026 By 栞风
转载请注明出处,博客内容接入查重,请勿直接用于大作业/实验|ू･ω･` )
框架 Hexo|主题 Butterfly
搜索
数据库加载中