深度訓練提升CNN網路精度

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。...
2023 年 09 月 29 日

CNN網路建模精確特徵萃取

隨著人工智慧(AI)技術的快速發展,AI可支援越來越多以前無法實現或者難以實現的應用。有鑑於此,本系列文章特別解釋了卷積神經網路(Convolutional Neural Network, CNN)及其對人工智慧和機器學習的意義。CNN是一種能夠從複雜資料中擷取特徵的強大工具,例如識別音訊訊號或圖像訊號中的複雜模式就是其應用之一。本文討論了CNN相對於經典線性規劃的優勢,後續文章《訓練卷積神經網路:解析機器學習—第二部分》將討論如何訓練CNN模型,而第三部分則將討論一個特定用例,並使用專門的AI微控制器對模型進行測試。本文為「CNN相對於經典線性規劃」的一部分。...
2023 年 09 月 06 日