卷積神經網路系列(2)

深度訓練提升CNN網路精度

作者: Ole Dreessen
2023 年 09 月 29 日
本文是卷積神經網路,機器學習系列文章的第二部分,重點為介紹卷積神經網路(CNN)的特性和應用。CNN主要用於模式識別和物件分類。在第一部分文章中,比較了在微控制器中運作經典線性規劃程式與運作CNN的區別,並展示了CNN的優勢。探討了CIFAR網路,該網路可以對圖像中的貓、房子或自行車等物件進行分類,還可以執行簡單的語音辨識。而本文重點,將解釋如何訓練這些神經網路以解決實際問題。...
》想看更多內容?快來【免費加入會員】【登入會員】,享受更多閱讀文章的權限喔!
標籤
相關文章

CNN網路建模精確特徵萃取

2023 年 09 月 06 日

CNN硬體轉換解封邊緣AI潛力

2023 年 10 月 13 日

傳統SoC效能有瓶頸 MPSoC驅動AI多元應用

2019 年 01 月 24 日

AI應用水漲船高 FPGA邊緣運算完美達陣

2019 年 04 月 14 日

嵌入式AI應用持續成長 深度學習大顯神威(1)

2024 年 06 月 18 日

嵌入式AI應用持續成長 深度學習大顯神威(2)

2024 年 06 月 18 日
前一篇
重新定義3D IC未來 台積電發表3Dblox 2.0標準
下一篇
昇頻攜手產官共創5G×AIoT雙軸轉型新局