如何从头开始为 MNIST 手写数字分类开发卷积神经网络。MNIST 手写数字分类问题是计算机视觉和深度学习中常用的标准数据集。尽管该数据集已得到有效解决，但它可以作为学习和实践如何开发、评估和使用卷积 […] 的基础。

深度学习神经网络通常是不透明的，这意味着虽然它们可以做出有用且熟练的预测，但尚不清楚给定预测是如何或为何做出的。卷积神经网络具有专门用于处理二维图像数据的内部结构，因此可以保留所学内容的空间关系 […]

在训练卷积神经网络时，知道如何最好地准备图像数据是一项挑战。这包括像素值的缩放以及在模型训练和评估期间使用图像数据增强技术。与其测试广泛的选项，不如考虑一个有用的捷径 […]

深度学习神经网络技术的流行和使用可以追溯到卷积神经网络在图像分类任务中的创新应用。一些最重要的创新来自于学术界和行业领导者在 ImageNet 大规模视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，简称 ILSVRC）中的提交。 […]

池化可以用来对特征图的内容进行下采样，减小它们的宽度和高度，同时保持它们的显著特征。深度卷积神经网络的一个问题是特征图的数量通常会随着网络的深度而增加。这个问题可能导致数量急剧增加 […]

您可以在设计自己的卷积神经网络时，使用来自里程碑模型的离散架构元素。特别是，在图像分类等任务中取得最先进结果的模型使用了重复多次的离散架构元素，例如 VGG 模型中的 VGG 块、GoogLeNet 中的 Inception 模块 […]

LeNet、AlexNet、VGG、Inception 和 ResNet 卷积神经网络创新入门指南。卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。虽然简单，但对于给定的计算机视觉问题，有无数种排列这些层的方式。幸运的是，既有常见的模式 […]

卷积神经网络中的卷积层总结了输入图像中特征的存在。输出特征图的一个问题是它们对输入中特征的位置敏感。解决这种敏感性的一种方法是对特征图进行下采样。这会产生 […]

卷积神经网络中的卷积层系统地将滤波器应用于输入并创建输出特征图。虽然卷积层非常简单，但它能够取得复杂而令人印象深刻的结果。尽管如此，要直观地理解滤波器的形状如何影响形状可能会很困难 […]

卷积层是卷积神经网络中使用的主要构建块。卷积是将滤波器简单地应用于输入，从而产生激活。对同一滤波器重复应用到输入会产生一个激活图，称为特征图，它指示了 […] 的位置和强度。