精华内容
下载资源
问答
  • 图神经网络通过聚合和结合邻居信息来学习节点特征,在许多图的任务中取得了良好的性能。然而,GNN大多被视为黑盒,缺乏人类可理解的解释。因此,如果不能解释GNN模型,就不能完全信任它们并在某些应用程序域中使用...
  • 图像卷积神经网络Source资源 深层学习基础 (DEEP LEARNING BASICS) Aim of this article is to provide an intuitive understanding of the key layers in a convolution neural network. The idea is to go beyond ...

    图像卷积神经网络

    深层学习基础 (DEEP LEARNING BASICS)

    Aim of this article is to provide an intuitive understanding of the key layers in a convolution neural network. The idea is to go beyond simply stating the facts and exploring how image manipulation actually works.

    本文的目的是提供 卷积神经网络中 关键层的直观了解 这个想法 不只是简单地陈述事实 而是 探索 图像处理的实际作用

    目标 (The Objective)

    Suppose our aim is to train a deep learning network to successfully distinguish between cat and dog images like those shown below

    假设我们的目标是训练一个深度学习网络,以成功地区分猫狗图像,如下图所示

    Image for post
    Source资源

    Let us start by thinking about what challenges such an algorithm must overcome. To begin with, it must be able to detect cats and dogs of different color, size, shape, and breed. It must also work when only a certain portion and not the entire dog/cat is visible. The algorithm must be sensitive to the presence of more than one dog/cat in the image and most importantly, it must be spatially invariant — it must not expect the dog/cat to be in a certain part of the image. In the following sections, we explore how different components of a CNN architecture result in all these capabilities.

    让我们首先考虑一下这种算法必须克服的挑战。 首先,它必须能够检测出不同颜色,大小,形状和品种的猫和狗。 当只有一部分而不是整个狗/猫可见时,它也必须起作用。 该算法必须对图像中存在不止一只狗/猫敏感,最重要的是,该算法必须在空间上不变-它不能指望狗/猫在图像的特定部分。 在以下各节中,我们将探索CNN架构的不同组件如何产生所有这些功能。

    计算机如何读取图像。 (How a computer reads images.)

    Images are composed of pixels with values that depict brightness and range from 0–255. 0 means black, 255 is white and everything else is some shade of grey. More the pixels, better the image quality.

    图像由像素组成,其值表示亮度,范围为0-255。 0表示黑色,255表示白色,其他所有内容均为灰色。 像素越多,图像质量越好。

    Image for post
    Image quality improves with pixel count. [made by author]
    图像质量随像素数提高。 [作者制作]

    While a greyscale image is made of a single channel (i.e. a single 2D array of pixels), colored images in the RBG format are composed of three different layers, stacked on top of each other.

    虽然灰度图像是由单个通道(即单个2D像素阵列)组成的,但是RBG格式的彩色图像由三个不同的层组成,彼此堆叠。

    Image for post
    red, ,R编, green, and 颖,和blue.b略。 [made by author] [作者制作]

    多层感知器的局限性。 (Limitations of a multi-layered perceptron.)

    Conventional neural networks are not suitable for deep learning applications like image classification. The contents of each pixel are fed into the perceptron separately in the input layer. For a RGB image of dimensions 600*377*3, the total number of parameters to be learned for the input layer alone will be (600*377*3*2 (two parameters per neuron, weight and bias)) ~1.5 million. This number will scale linearly with the number of layers. This, however, is not the only challenge with MLPs. MLPs have no inbuilt mechanism for being spatially invariant. If a MLP has been trained to detect dogs in the top right corner of the image, it will fail when dogs are located in other locations.

    传统的神经网络不适用于像图像分类这样的深度学习应用。 每个像素的内容分别在输入层中馈送到感知器中。 对于尺寸为600 * 377 * 3的RGB图像,仅输入层要学习的参数总数将为(600 * 377 * 3 * 2(每个神经元两个参数,权重和偏差))约150万。 该数字将与层数成线性比例。 但是,这并不是MLP的唯一挑战。 MLP没有内置的机制来保持空间不变。 如果已训练MLP在图像的右上角检测狗,则当狗位于其他位置时它将失败。

    A convolution neural network aims to ameliorate these drawbacks using a built-in mechanism for (1) extracting different high level features (2) introducing spatial invariance (3) improving networks learning ability.

    卷积神经网络旨在使用一种内置机制来改善这些缺点,该机制用于 (1)提取不同的高级特征(2)引入空间不变性(3)提高网络学习能力。

    图像特征提取。 (Image feature extraction.)

    Convolution (discrete convolution to be specific) is based on use to linear transformations to extract key features from images while preserving the ordering of information. The input is convolved with a kernel to generate the output, similar to the response generated by a network of neurons in the human visual cortex.

    卷积(具体来说是离散卷积)是基于线性变换的使用,可从图像中提取关键特征,同时保留信息的顺序。 输入与 内核 进行 卷积 以生成输出,类似于由人类视觉皮层中的神经元网络生成的响应。

    核心 (Kernel)

    The kernel (also known as a filter or a feature detector) samples the input image matrix with a pre-determined step size (known as stride) in both horizontal and vertical directions. As the kernel slides over the input image, the element-wise product between each element of the kernel and overlapping elements of the input image is calculated to obtain to the output for the current location.

    内核(也称为过滤器或特征检测器 )在水平和垂直方向 上以预定步长(称为 stride ) 对输入图像矩阵进行采样 当内核在输入图像上滑动时,将计算内核的每个元素与输入图像的重叠元素之间的逐元素乘积,以获取当前位置的输出。

    Image for post
    Convolution : The image 卷积 :将表示为张量为7 * 7 * 1的图像I represented as a tensor of dimension 7*7*1 is convolved with a 3*3 filter I与3 * 3滤镜K to result in a 5*5 output image. Shown above is one multiplication step. K卷积,以生成5 * 5的输出图像。 上面显示的是一个乘法步骤。 Source, Image free to share.来源 ,图片免费分享。

    When the input image is composed of multiple channels (which is almost always the case), the kernel has the same depth as the number of channels in the input image. The dot product in such cases is added to achieve the final feature map composed of a single channel. If you are new to matrix multiplication, check out this youtube video for a detailed explanation.

    当输入图像由多个通道组成时(几乎总是这样),内核的深度与输入图像中通道的数量相同。 在这种情况下,点积被添加以获得由单个通道组成的最终特征图。 如果您不熟悉矩阵乘法,请 观看 youtube视频以获取详细说明。

    Image for post
    Single Stride Convolution: This animation shows how a kernel (shown as a 3*3 moving square) scans through an input image from left to right and from top to bottom to result in an output image on the right. For a stride one convolution, the kernel moves a unit distance in each direction during every step. 单步卷积(Single Stride Convolution) :此动画显示了内核(显示为3 * 3移动正方形)如何从左到右以及从上到下扫描输入图像,从而在右边产生输出图像。 对于跨步一次卷积,内核在每个步骤中沿每个方向移动单位距离。 Source, Image free to share.来源 ,图片免费分享。

    Each convolution layer is composed of many different filters, each of which extracts different features. And while a CNN made of a single convolution layer will only extract/learn low level features, adding successive convolution layers significantly improves the ability to learn high level features.

    每个卷积层由许多不同的滤镜组成,每个滤镜提取不同的特征。 而且,虽然由单个卷积层组成的CNN仅会提取/学习低层特征,但添加连续的卷积层会大大提高学习高层特征的能力。

    Image for post
    Feature Extraction: A 600*377 greyscale image convolved with 4 different 3*3 filters results in different image features being extracted to a different extent. [made by author]特征提取:将600 * 377灰度图像与4个不同的3 * 3滤镜进行卷积会导致不同程度的图像特征被提取。 [作者制作]

    整流器 (Rectifier)

    To introduce non-linearity into the system and improve the learning capacity, the output from the convolution operation is passed through a non-saturating activation function like sigmoid or rectified linear unit (ReLU). Check out this excellent article about these and several other commonly used activation functions. The most commonly used activation function ReLU essentially preserves positive values and replaces negative values with a zero.

    为了将非线性引入系统并提高学习能力,卷积运算的输出将通过非饱和激活函数(如S型或整流线性单元(ReLU))传递。 查看 关于这些以及其他几个常用激活功能的 出色文章 最常用的激活函数ReLU本质上保留正值并将负值替换为零。

    Image for post
    Rectifier: The two most widely used rectifier functions, sigmoid and ReLU. [made by author]
    整流器:最广泛使用的两种整流器功能:S型和ReLU。 [作者制作]

    填充 (Padding)

    The feature map resulting from convolution is smaller in size compared to the input image. For an input image of I*I that is convolved with a kernel of size K*K with a stride S, the output will be [(I-F)/S + 1]* [(I-F)/S + 1]. This can result in a substantial reduction in image size in CovNets made of several convolution layers. A zero padding of [(F-1)/2] all around the output image can be used to preserve the convolution output.

    与输入图像相比,由卷积产生的特征图的大小较小。 对于 I * I 的输入图像,该图像 与大小为 K * K 且步幅为 S 的内核卷积 ,输出将为 [(IF)/ S +1] * [(IF)/ S +1] 这可能会导致由多个卷积层构成的CovNets中的图像大小大大减小。 输出图像周围的 [[F-1)/ 2] 零填充 可用于保留卷积输出。

    For the most general case where an input image of size I*I is convolved with a filter of size K*K with a stride S and padding P, the output will have the dimension [(I+2P-K)/S +1]*[(I+2P-K)/S +1].

    对于最常见的情况,输入大小为 I * I 的输入图像与大小 K * K 的滤镜( 具有步幅 S 和填充 P )进行卷积时 ,输出的尺寸为 [(I + 2P-K)/ S +1 ] * [(I + 2P-K)/ S +1]

    Image for post
    Padding: When a 5*5 image is convolved with a 3*3 kernel without padding, the resultant image is 3*3. A single layer of padding changes the input image dimensions to 7*7. This when convolved with a 3*3 filter results in a 5*5 output, the same as the size of the original input. 填充 :当5 * 5图像与3 * 3内核卷积而没有填充时,所得图像为3 * 3。 单层填充将输入图像的尺寸更改为7 * 7。 与3 * 3过滤器卷积时,将得到5 * 5的输出,与原始输入的大小相同。 Source, Image free to share.来源 ,图片免费分享。

    汇集 (Pooling)

    The convolution output is pooled so as to introduce spatial invariance i.e the ability to detect the same feature in different images. The idea here is to retain key information corresponding to important features that the CNN must learn and at the same time reduce image size by getting rid of insignificant information. While there are several variations, max pooling is the most commonly used strategy. The convolution product is split into non-overlapping patches of size K*K and only the maximum value of each patch is recorded in the output.

    合并卷积输出以引入空间不变性,即在不同图像中检测相同特征的能力。 这里的想法是保留与CNN必须学习的重要功能相对应的关键信息,同时通过消除无关紧要的信息来减小图像尺寸。 尽管存在多种变体,但最大池化是最常用的策略。 卷积积被拆分为大小为 K * K的 非重叠面片, 并且仅每个面片的最大值记录在输出中。

    Image for post
    Max-Pooling: A 4*4 input image is max-pooled with a 2*2 kernel resulting in a 2*2 output. 最大池化 :将4 * 4输入图像最大池化为2 * 2内核,从而产生2 * 2输出。 Source, Image free to share.来源 ,图片免费分享。

    Other less frequently used pooling strategies include average pooling, ‘mixed’ max-average pooling, stochastic pooling, and spatial pyramid pooling.

    其他不常用的合并策略包括平均合并,“混合”最大平均合并,随机合并和空间金字塔合并。

    Image for post
    MaxPooling: While the image size is substantially reduced, pooled images still contain all key features needed for training an image classification network. Notice that the reduction in image quality for a stride 2 maxpooling operation is minimal. [made by author]MaxPooling :虽然图像尺寸大大减小,但是合并的图像仍然包含训练图像分类网络所需的所有关键功能。 请注意,第2步最大合并操作的图像质量降低是最小的。 [作者制作]

    The two key elements of CNN discussed so far: the convolution layer (defined by kernels, stride, activation function) and the pooling layer are combined in predetermined patterns to define the CNN architecture. While I won’t get into the architectural details, in the next section we discuss some general features of image processing by these neural networks.

    到目前为止,我们讨论了CNN的两个关键元素:卷积层(由内核,步幅,激活函数定义)和池化层以预定模式组合在一起,以定义CNN体系结构。 虽然我不会深入探讨体系结构的细节,但在下一部分中,我们将讨论这些神经网络进行图像处理的一些常规功能。

    可视化内层 (Visualizing the inner layers)

    I used a publicly available dataset of labelled cat & dog images and trained a binary classifier (inceptionv3). Using this trained network we can get a feel of how a CNN actually processes an image.

    我使用了 公开的 带有 标签的猫和狗图像的数据集,并训练了二进制分类器(inceptionv3)。 使用这个训练有素的网络,我们可以了解CNN实际如何处理图像。

    First, we take a sample image and pass it through this trained network. The output of 3 convolution and associated activation layers (I used ReLU)are visualized below. What is immediately evident is that as we move down the network, the output becomes increasingly incomprehensible. By the time we are in layer 25, it is difficult to tell if the image fed into the network was a dog or a cat. It is worth noting that the overall architecture of this network is rather complex (and not included here) and layer 25 is not even half way down the network. So what are these layers actually learning? It is not obvious by merely looking at the image below.

    首先,我们获取样本图像,并将其通过这个经过训练的网络。 下面显示了3个卷积和相关激活层(我使用ReLU)的输出。 显而易见的是,随着我们向下移动网络,输出变得越来越难以理解。 到我们进入第25层时,很难分辨馈入网络的图像是狗还是猫。 值得注意的是,该网络的总体架构相当复杂(此处未包括在内),而第25层甚至不在网络的中间。 那么这些层实际上在学习什么呢? 仅看下面的图像并不清楚。

    Image for post
    The convolution and associated activation layers of a trained CNN when fed a dog image. [made by author]
    当喂给狗图像时,训练的CNN的卷积和相关的激活层。 [作者制作]

    The image above merely visualizes the output of each layer for an input image. What we need is to visualize the different kernels of each convolution layer. This will tell us what each of these filters is detecting. We start with an image made of random noise and optimize it for every kernel in a layer. In other words, we take a bunch of filters in a trained network and ask “ what kind of input image will activate this particular kernel’. Knowing this image will tell us more about what that particular filter is detecting. A more detailed explanation of this logic and associated code can be found here and here.

    上面的图像仅可视化了输入图像每一层的输出。 我们需要的是可视化每个卷积层的不同内核。 这将告诉我们每个过滤器正在检测什么。 我们从随机噪声制成的图像开始,然后针对层中的每个内核对其进行优化。 换句话说,我们在训练有素的网络中使用了一堆过滤器,并询问“什么样的输入图像将激活此特定内核”。 了解此图像将告诉我们有关该特定过滤器正在检测的内容的更多信息。 有关此逻辑和相关代码的详细说明,请参见 此处 此处

    Image for post
    Feature visualization of selected layers. [made by author]
    选定图层的特征可视化。 [作者制作]

    Visualized above are some of the filter activation patterns for the same layers as above. Different layers are activated by different parts of the image. Layer 1 is essentially an edge detector that is activated by horizontal and vertical edges. As we go deeper into the network, patterns recognized by convolution kernels become complex and sparse as more abstract image features are extracted in these stages.

    上面可视化的是与上述相同层的一些过滤器激活模式。 图像的不同部分会激活不同的图层。 层1本质上是一个边缘检测器,由水平和垂直边缘激活。 随着我们深入网络,在这些阶段提取更多抽象图像特征时,卷积核识别的模式变得复杂而稀疏。

    结论。 (Conclusion.)

    In this article, I have attempted to explain the design and inner workings of different convolution layers. Please do leave a comment or write to me at aseem.kash@gmail.com if you have any suggestions.

    在本文中,我尝试解释了不同卷积层的设计和内部工作原理。 如果您有任何建议,请发表评论或写信至aseem.kash@gmail.com。

    翻译自: https://towardsdatascience.com/how-convolution-neural-networks-interpret-images-1f99913070b2

    图像卷积神经网络

    展开全文
  • 第一个工作是Research Track的《XGNN: Towards Model-Level Explanations of Graph Neural Networks》,关注黑盒模型的事后解释,提出了一种基于输入优化的图神经网络事后解释方法。 论文 第二个

    模型的可解释性是机器学习领域的重要研究课题,主要关注两个方向,一个是提升模型本身的可解释性,如引入注意力机制、解耦表示学习等技术;另一个是对黑盒模型的事后解释,如特征掩码技术、可视化技术等。图结构提供了额外的拓扑信息,也对可解释技术提出了更高的要求。

    第一个工作是Research Track的《XGNN: Towards Model-Level Explanations of Graph Neural Networks》,关注黑盒模型的事后解释,提出了一种基于输入优化的图神经网络事后解释方法。

    论文

    第二个工作是Applied Data Science Track的《Explainable classification of brain networks via contrast subgraphs》,关注提升模型本身的可解释性,提出了一种基于对比子图的可解释脑网络分类方法。
    论文

    GNN 可解释性问题 blog
    https://www.infoq.cn/article/1OgX48SsVcfPPEjgTmEw?utm_source=tuicool&utm_medium=referral

    展开全文
  • 现有的深度神经网络解释方法主要分为基于数据的方法和基于模型的方法。基于数据的可解释性分析方法中最典型的是可视化方法。可视化方法主要通过可视化工具将数据中的重要部分进行标注,将学习过程与原始数据结合...

    近年来,深度学习系统的解释方法已引起人们的广泛关注。现有的深度神经网络可解释方法主要分为基于数据的方法和基于模型的方法。基于数据的可解释性分析方法中最典型的是可视化方法。可视化方法主要通过可视化工具将数据中的重要部分进行标注,将学习过程与原始数据结合起来,进而帮助我们直观地理解深度学习的学习过程。例如,塞尔瓦拉朱(Selvaraju)等人使用了可视化方法,通过对卷积层的梯度生成热力图,对输入图像中的重要像素进行显示和标注,帮助我们理解深度学习的学习区域;欧拉(Olah)等人则使用了特征可视化的方法,对神经元学习到的内容进行可视化。这些可视化方法让人们对神经网络的内在机理有了直接印象,但是由于这类方法无法深人了解模型内部结构,难以对模型决策逻辑进行直接解释,因此对于神经网络的黑盒问题并没有实质性地解决。

    1e9e13130a248c000cb9d91c9d8e190d.png

    基于模型的可解释性分析方法主要分为代理模型和自动特征提取两种。代理模型方法是通过构建新的模型以模拟黑盒模型的输入和输出,通过该代理模型来理解原黑盒模型,比较典型的有里贝罗(Ribeiro)等人提出的基于模型无关的局部可解释性描述(Local Interpretable Model-Agnostic Explanations,LIME)的线性代理模型。自动特征提取则是另一种研究深度学习系统可解释性的方法,其主要通过对输入、输出以及模型内部元素的关系进行研究,进而分析解释其决策逻辑。具体有通过对各层、各神经元使用if-then规则进行自动特征提取的KT方法,使用采样进行自动特征提取的方法,以及通过连接权、偏导、输入变量的改变来判断输入变量重要程度的敏感性分析方法等。尽管这些方法能对现有神经网络的决策逻辑进行一定的分析,但是无法直接构建可解释性的神经网络。

    基于数据的可解释分析方法虽然能对神经网络的决策逻辑提供直观的印象,但是很难指导我们进行有目的的建模。而基于模型的可解释分析方法虽然在一定程度上对可解释性有所帮助,但是仍然很难帮助我们解决深度学习系统难以判读的问题。所以寻找一种新的能同时拥有可判读和可理解两大特要性,并可直接构建新的神经网络的方法成为了解决深度学习智能系统安全的核心问题之一。

    展开全文
  • 在实际应用中,大约80%的神经网络模型采取了BP网络或BP网络的变化形式,一个包含两个隐藏层的BP神经网络的结构如下所示。 传递函数必须可微,所以二值函数与符号函数等没有用武之地了...

    一、基本概念

    BP(Back-Propagation):误差反向传播(训练权值时沿着减小误差的方向),并不属于反馈神经网络。

    BP神经网络是一种多层网络。

    广泛应用于:分类识别、逼近、回归、压缩等领域

    在实际应用中,大约80%的神经网络模型采取了BP网络或BP网络的变化形式,一个包含两个隐藏层的BP神经网络的结构图如下图所示。

    传递函数必须可微,所以二值函数与符号函数等没有用武之地了。

    BP神经网络常用两种传递函数:Log-sigmoid   和   Tan-sigmoid   ,曲线如下图所示。

    这两个函数在分类时比线性函数更精确,容错性较好。

    所以BP神经网络的典型设计是:隐藏层用sigmoid函数,输出层用线性函数

    二、学习算法

    1.最速下降法

    原理:

    实值函数F(x)在某点x0处有定义且可微。则函数沿着梯度相反的方向下降速度最快。

    根据梯度值可以在函数中画出一系列等值线或等值面,梯度下降法相当于沿着垂直于等值线方向向最小值所在位置移动。

    局限:

    1.目标函数必须可微

    2.最小值附近若比较平坦,在最小值附近收敛缓慢

    3.多个极小值时容易陷入局部极小值

    2.最速下降BP法(核心)

    整个流程可以分成两个部分

    第一部分为工作信号正向传播(黄色部分)

    第二部分为误差信号反向传播(蓝色部分)

     

    三、最速下降BP法的改进

     

    1.动量BP法

    引入动量因子α(0.1<α<0.8),使权值修正不止与本次计算有关,还与上次更新有关,使权值具有一定惯性、抗震荡性和快速收敛的能力。

                                                             

    2.学习率可变的BP法

    当误差以减小方式趋于目标时,增加学习率

    当误差增大,则减小步长,同时撤销前一步修正。

                                                                

    3.拟牛顿法

                                                                  

    H为误差性能函数的Hessian函数,包含了误差函数的导数信息。   

                                                                          

    4.LM算法

                                                             

    J是包含误差性能函数对网络权值一阶导数的雅克比矩阵。

    展开全文
  • 在学习线性神经网络之前,我们先来了解一下单层感知器的局限性。。。。 二、线性神经网络理论 主要用途是:线性逼近一个函数式而进行模式联想以及信号滤波、预测、模型识别和控制等。 线性神经网络通过LMS算法...
  • 神经网络计算复杂度计算Unlike conventional convolutional neural networks, the cost of graph convolutions is “unstable” — as the choice of graph representation and edges corresponds to the graph ...
  • 点击上面"脑机接口社区"关注我们更多技术干货第一时间送达图神经网络简介GNN是Graph Neural Network的简称,是用于学习包含大量连接的图的联结主义模型。近...
  • 万能的图神经网络解释器 GNNExplainer

    千次阅读 2020-01-30 19:10:42
    作者信息: 纪厚业,北京邮电大学博士生,主要关注异质图神经网络及其应用. 知乎专栏对公式支持较好, 见 https://zhuanlan.zhihu.com/c_1158788280744173568 个人公众号 图与推荐 本文由斯坦福Jure组发表在NeurIPS...
  • Bp神经网络+C++实现:http://blog.csdn.net/QKK612501/article/details/52893803
  • 前面讲解了线性神经网络的原理与算法流程,是不是发现很简单? 其中有一个关键点就是在学习的过程中,我们更新权值使用了LMS算法,算法本身并不复杂,但是有一个关于学习率应该如何选择的问题。 首先我们要知道的...
  • 论文笔记整理:方尹,浙江大学在读博士,研究方向:图表示学习。Contrastive Graph Neural Network Explanation动机与贡献本文主要关注图神经网络解释...
  • 卷积神经网络_图像卷积解释

    千次阅读 2016-08-28 14:55:01
    首先看下人工神经网络感知器的原理,这个不是重点,但是卷积神经网络由此而来,所以截取材料如下:   类似wx + b的形式,其中· a1~an为输入向量,当然,也常用x1~xn表示输入· w1~wn为权重· b为偏置bias· ...
  • 第一次接触神经网络的话,首先就得了解一下单层感知器! 它的作用呢就是可以高效快速地解决线性可分的问题!! 首先贴上单层感知器的结构中 [X1,...,Xn]为N维输入向量 [w1,...,wn]为每个输入元素对应...
  • MATLAB神经网络工具箱函数各种解释

    千次阅读 多人点赞 2020-04-25 08:09:18
    介绍了matlab神经网络工具箱函数的图解属性和绘图意义
  • 知识图谱本身是一种图结构数据,采用图构建知识和数据之间的关联,应用图神经网络技术,有望结合知识和数据,实现更好的可解释和可信人工智能技术。本文将介绍基于图神经网络的知识图谱学习与计算以及基于图神经网络...
  • 通俗解释"神经网络

    2017-12-06 18:20:00
    当下互联网圈最火的要数"人工智能"了,而人工智能是基于神经网络的,这里简单描述一下"神经网络" 人的神经元 人的神经元 简化版神经元 简化版 上中的圆圈表示一个"感知器",它可以接受多个输入,产出一...
  • 最通俗易懂的解释卷积神经网络

    千次阅读 2019-01-17 18:51:45
    什么是卷积神经网络?为什么它们很重要? 卷积神经网络(ConvNets 或者 CNNs)属于神经网络的范畴,已经在诸如图像识别和分类的领域证明了其高效的...而下展示了卷积神经网络可以用来识别日常物体、人和动物。最...
  • matlab神经网络输出 解释 很有用

    万次阅读 2019-07-09 09:56:50
    https://zhidao.baidu.com/question/1052062057657846099.html ... https://zhidao.baidu.com/question/549490189.html ...上面几个介绍了 matlab神经网络中 得到的结果图像的解析,明白这些结果反应了什么事情。
  • 什么是卷积神经网络?它们为什么重要? 卷积神经网络(ConvNets或CNNs)是一类在图像识别和分类等领域非常有效的神经网络。除了增强机器人和自动驾驶汽车的视觉功能外,ConvNets还成功地被用于人脸、物体和交通标志的...
  • 本文的目的是提供对卷积神经网络中关键层内部工作的直观了解。 这个想法不只是简单地陈述事实 , 而是探索图像处理的实际作用 。 目标 (The Objective) Out aim is to design a deep learning framework capable of...
  • 1.径向基函数网络是三层前向网络 2.隐含层是非线性的,采用径向基函数作为基函数 3.输出层是线性的 4.应用:对非线性网络具有一致逼近的性能 二、径向基函数 1.范数 范数是对函数、向量和矩阵定义的一种度量...
  • 图神经网络(GNN)有如下特点:1、忽略节点的输入顺序;2、在计算过程中,节点的表示受其周围邻居节点的影响,而图本身连接不变;3、图结构的表示,使得可以进行基于图的解释和推理。图神经网络(GNN)尚未解决的问题...
  • 本文提出Graph Attention Networks(GATs),将注意力机制应用到图神经网络中,每一层学习节点每个邻居对其生成新特征的贡献度,按照贡献度大小对邻居特征进行聚合,以此生成节点新特征。GATs具有计算复杂度低,适用...
  • 本文是学习刘忠雨老师所著的《深入浅出图神经网络》过程中的笔记和记录整理,最后会有参考文献标注对应章节和内容中可能出现的参考文献、博文出处。 目录概述图的基本类型图数据同构图(Homogeneous Graph)异构...
  • 图神经网络(GNN)是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性,GNN 最近已成为一种广泛应用的图分析方法。 GNN 的第一个动机源于卷积神经网络(CNN)。CNN 的广泛应用带来了机器学习领域...
  • 图神经网络笔记(一)

    千次阅读 2019-03-07 20:00:10
    图神经网络(GNN)是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性,GNN 最近已成为一种广泛应用的图分析方法。 为什么有图卷积神经网络 本质上说,世界上所有的数据都是拓扑结构,也就是...
  • 过去11年中用于解释神经网络的最新方法是如何发展的呢? 本文在 Inception 网络图像分类器上尝试使用引导反向传播进行解释演示。 为什么「解释」很重要? 使用机器学习(ML)算法(尤其是现代深度学习)进行...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,220
精华内容 488
关键字:

解释图神经网络