34- Conv深度学习网络和普通神经网络)全连接神经网络的缺点Conv神经网络的错误率发展过程Conv神经网络的结构特点:神经网络的基本组成部分包括输入层、隐含层和输出层。第五章神经网络神经网络:神经网络是由自适应简单单元组成的广泛并行互联的网络，其组织可以模拟生物神经系统对现实世界对象的交互反应。
1、神经网络(NeuralNetwork
(1)结构:许多树突用于输入，一个轴突用于输出。(2)特性:兴奋性和传导性。兴奋性是指当信号量超过一定阈值时，细胞体就会被激活，产生电脉冲。导电性是指电脉冲沿着轴突并通过突触传递到其他神经元。(3)具有两种状态的机器:激活时为“是”,停用时为“否”。神经细胞的状态取决于从其他神经细胞接收的信号数量和突触的性质(抑制或增强)。
②单个神经元:在线性可分性的情况下，本质是一条直线，将数据分为两类。线性分类器本身是一个单层神经网络。③神经网络:在非线性可分性的情况下，神经网络通过多个隐层实现非线性功能。(2)权重/参数/连接(权重)最重要的是每个连接都有权重。一个神经网络的训练算法就是将权值调整到最佳，从而使整个网络的预测效果达到最佳。
2、34-卷积神经网络(Conv
深度学习网络与普通神经网络的区别全连接神经网络的缺点卷积神经网络的错误率卷积神经网络的发展历史卷积神经网络的结构特征:神经网络的基本组成部分包括输入层、隐含层和输出层。卷积神经网络的特点是隐层分为卷积层和poolinglayer(也叫下采样层)。卷积过程的修正:卷积层的滤镜是一个矩阵，里面的元素是扫描时每个像素点的权重，也就是每个滤镜会产生一个特征图。卷积核在提取特征图时的作用称为填充(零填充)，因为移动步长不一定能得到整张图片的像素宽度。
3、神经网络(深度学习
MVSNet的深度估计直接用神经网络学习。网络训练的方法是输入代价体的真值和对应的深度图，用SoftMax对深度处每个像素的概率进行回归，得到一个代表每幅图像在参考图像深度方向上置信度的概率体(图4.4b)，从而完成从代价到深度值的学习过程。在概率体已知的情况下，最简单的方法可以得到参考图像中所有像素在不同深度的概率图，根据赢者通吃原则直接估计深度图。
因此，需要将深度期望值作为该像素沿概率体深度方向的深度估计值，使整个深度图中不同部分的内部更加平滑。(43)其中，它表示特征在深度上的置信度。深度图优化的原始代价量往往被噪声污染。因此，为了防止噪声过拟合网络，MVSNet使用基于多尺度的三维卷积神经网络来正则化代价体，并使用UNet网络对代价体进行下采样，提取不同尺度下的上下文信息和相邻像素信息，对代价体进行过滤(图4.5)。
4、AI数学基础13——深层和浅层神经网络
来自吴恩达，“为什么是Dee演示？浅层神经网络，顾名思义，是一种层数很少的神经网络，比如隐含层数为1，如下图。深度神经网络，顾名思义，就是有很多层的神经网络，如下图。使用深度神经网络的机器学习就是深度学习。按照AndrewNg的说法，深度学习是一个更有市场宣传意义的词。在工程实践中，
5、简单介绍神经网络算法
简单介绍一下神经网络算法神经元:它是神经网络的基本单元。神经元首先获得输入，然后在产生输出之前执行一些数学运算。神经元的输入经历了三次数学运算。首先，将两个输入乘以权重。权重是指某一因素或指标相对于某一事物的重要性，它不同于一般的比例，不仅反映了某一因素或指标的百分比，还反映了该因素或指标的相对重要性x1→x1×w1x2→x2×w2。将两个结果相加。加一个bias: (x1×w1) (x2×w2) b最后，它们经过一个激活函数处理得到输出:yf(x1×w1 x2×w2 b)激活函数的作用是将无限的输入转化为可预测的输出。
6、一文读懂神经网络
7、卷积神经网络包括哪几层
视觉卷积层的基础知识如果我们设计六个卷积核，就可以理解为这个图像中有六个底层纹理图案，也就是说，我们可以用六个基本图案来绘制一个图像。卷积层的作用是提取局部区域的特征。ConvolutionalNeuralNetwork (CNN或ConvNet)是一种深度前馈神经网络，具有局部连接和权重共享的特点。
在卷积神经网络中，每个卷积层由若干个卷积单元组成，每个卷积单元的参数通过反向传播算法进行优化。卷积神经网络中卷积层之间的连接称为稀疏连接(sparseconnection)，即与前馈神经网络中的全连接相比，卷积层中的神经元只与其相邻层中的一部分相连，而不是全部神经元。卷积神经网络是一种包含卷积计算、具有深层结构的前馈神经网络。是深度学习的代表性算法之一。
8、第五章神经网络
神经网络:神经网络是由具有适应性的简单单元组成的广泛并行的互联网络，其组织可以模拟生物神经系统对现实世界对象的交互反应。神经网络最基本的组成部分是神经元模型。MP神经元模型:感知器由两层神经元组成，即输入层和输出层。以下是具体过程:多层神经网络的拓扑结构如图所示:从上图可以看出，多层网络由输入层、隐含层和输出层组成，顶层为输出层，底层为输入层，中间层为隐含层。
9、神经网络中各个隐藏层能提取出和人类看到的一样的特征。(
神经网络中的每一个隐藏层都能提取出和人类看到的一样的特征。(错误)神经网络的基本定义:人工神经网络也简称神经网络或连接模型，它是模仿动物神经网络的行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂性，通过调整大量内部节点之间的互联关系来达到处理信息的目的，生物神经网络主要指人脑的神经网络，是人工神经网络的技术原型。