电子科技大学：《机器学习 Machine Learning》课程教学资源（课件讲稿）第13讲 卷积神经网络 Convolution Neural Nets

电子科技大学研究生《机器学习》精品课程 196 第13讲卷积神经网络 13 Convolution Neural Nets 郝家胜 （Jiasheng Hao） Ph.D., Associate Professor Email: hao@uestc.edu.cn School of Automation Engineering, Center for Robotics University of Electronics and Science of China, Chengdu 611731

电子科技大学研究生《机器学习》精品课程 Email: hao@uestc.edu.cn School of Automation Engineering, Center for Robotics University of Electronics and Science of China, Chengdu 611731 郝家胜 (Jiasheng Hao) Ph.D., Associate Professor

多层神经网络 输出层 +1 hwb(x) 隐层 Layer Ly +1 Layer L: Layer L2 输入层 含多个隐层的深度学习模型 2 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 多层神经网络 2

深度学习的实质 /956 从大规模无标签数据中 自动选择特征！ 电子科技大学研究生《机器学》

电子科技大学研究生《机器学习》 深度学习的实质 从大规模无标签数据中 自动选择特征！ 3

DL之前的视觉处理方法 56 分步处理背后的哲学 分而治之Divide and Conquer ■ Knowledge-driven Hand-crafted feature I think it should be solved by methods like... fixed unsupervised fixed supervised fixed MFCC Gaussians (linear) SIFT,HoG Graphical K-Means Pooling Classifier Model Cuboids Sparse Coding Object, Low-level Mid-level parts, phones, Utterance, Features Features characters word 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 DL之前的视觉处理方法 o 分步处理背后的哲学 n 分而治之Divide and Conquer n Knowledge-driven p Hand-crafted feature p I think it should be solved by methods like… 4

DL及其之后的视觉处理方法 56 supervised fixed supervised fixed supervised fixed Filters Filters Filters Graphical + Pooling Pooling Model ReLU ReLU ReLU Object, Low-level Mid-level parts, phones, Utterance, Features Features characters word Unsup Unsup Unsup Unsup supervised fixed supervised fixed supervised supervised Filters Filters Filters Graphical Pooling + Pooling Model ReLU ReLU ReLU Object, Low-level Mid-level parts, phones, Utterance, Features Features characters word 电子科技大学研究生《机器学习》

电子科技大学研究生《机器学习》 DL及其之后的视觉处理方法 5