神经网络

• 1. 简介
  • 1.1. What is？
    • 1.1.1. dddddddd
  • 1.2. Why？
    • 1.2.1. dddddddd
  • 1.3. How?
    • 1.3.1. materials
• 2. 神经网络组件
  • 2.1. 激活函数单元
    • 2.1.1. 什么是激活函数
    • 2.1.2. 为什么要有激活函数
    • 2.1.3. 经典激活函数分类
    • 2.1.4. 新颖激活函数
  • 2.2. 卷积单元
    • 2.2.1. 经典卷积运算
    • 2.2.2. 经典二维转置卷积运算
    • 2.2.3. 新型卷积
    • 2.2.4. 实验分析
  • 2.3. 池化单元
    • 2.3.1. 经典二维池化运算
    • 2.3.2. 膨胀二维池化运算
    • 2.3.3. 金字塔池化
  • 2.4. 正则化单元
  • 2.5. 跳跃连接
    • 2.5.1. 前向跳跃连接
    • 2.5.2. 后向跳跃连接
  • 2.6. 递归单元
  • 2.7. 残差单元
    • 2.7.1. 经典残差块分析
  • 2.8. 参考文献
• 3. 神经网络常用损失函数
  • 3.1. 基于误差的损失函数
    • 3.1.1. 什么是误差
    • 3.1.2. 均方误差损失
    • 3.1.3. 绝对误差损失
    • 3.1.4. 光滑绝对误差损失
  • 3.2. 基于熵的损失函数
    • 3.2.1. 什么是熵
    • 3.2.2. 交叉熵损失函数
    • 3.2.3. 相对熵损失函数
    • 3.2.4. 二值交叉熵损失函数
• 4. 简单神经网络
  • 4.1. 单层感知器
    • 4.1.1. 什么是感知器
    • 4.1.2. 单层感知器
    • 4.1.3. 实例
  • 4.2. 多层感知器
    • 4.2.1. 概念与内涵
    • 4.2.2. 实例
    • 4.2.3. MNIST手写体分类
    • 4.2.4. CFAR10物体分类
  • 4.3. 自编码神经网络
• 5. 支撑矢量机
  • 5.1. 支撑矢量机
  • 5.2. 模糊支撑矢量机
    • 5.2.1. FSVM原理
    • 5.2.2. 隶属函数选择
    • 5.2.3. 实验及结果
  • 5.3. 参考文献
  • 5.4. 名词术语
• 6. 极速学习机
  • 6.1. 经典极速学习机
    • 6.1.1. 什么是极速学习机
  • 6.2. 基于局部感受野的极速学习机
    • 6.2.1. 说明
    • 6.2.2. 摘要内容
    • 6.2.3. 引言部分
    • 6.2.4. 回顾ELM, CNN和HTM
    • 6.2.5. ELM-LRF 原理
    • 6.2.6. 局部感受野的实现
    • 6.2.7. 讨论
    • 6.2.8. 实验
    • 6.2.9. 结论
    • 6.2.10. 代码实现
    • 6.2.11. 参考文献
  • 6.3. 模糊极速学习机
  • 6.4. 基于局部感受野的模糊极速学习机
    • 6.4.1. 简介
    • 6.4.2. FELM-LRF原理
    • 6.4.3. 隶属函数选择
    • 6.4.4. 实验及结果
  • 6.5. 在线极速学习机
    • 6.5.1. 简介
    • 6.5.2. OSELM 原理
  • 6.6. 基于局部感受野的在线极速学习机
    • 6.6.1. 简介
    • 6.6.2. OSELM-LRF原理
  • 6.7. 参考文献
  • 6.8. 名词术语
• 7. 基于能量的神经网络
  • 7.1. Hopfield 神经网络
  • 7.2. 玻尔兹曼机与受限玻尔兹曼机
• 8. 卷积神经网络
  • 8.1. 经典卷积神经网络
    • 8.1.1. 卷积神经网络举例
• 9. 递归神经网络
  • 9.1. 递归神经网络
• 10. 生成式神经网络
  • 10.1. 生成式神经网络
• 11. 残差神经网络
  • 11.1. 残差神经网络
• 12. 分形神经网络
  • 12.1. 分形神经网络
• 13. 随机神经网络
  • 13.1. 随机神经网络
• 14. 复杂度分析
  • 14.1. 衡量指标
    • 14.1.1. 运算量计算
  • 14.2. 实例分析
    • 14.2.1. SSD300目标检测网络分析
• 15. 参考文献
• 16. 名词术语