共计 1256 个字符，预计需要花费 4 分钟才能阅读完成。
动动发财的小手，点个赞吧！
1. 简介
神经网络是机器学习算法，咱们能够将其用于许多利用，例如图像分类、对象辨认、预测简单模式、解决语言等等。神经网络的次要组成部分是层和节点。
一些神经网络架构有一百多个层和几个解决不同子问题的逻辑局部。其中一个局部是神经网络骨干。
在本教程中，咱们将形容什么是骨干以及最风行的骨干类型。
2. 神经网络
神经网络是明确设计为生物神经网络灵感的算法。最后，指标是创立一个性能相似于人脑的人工零碎。神经元和层是神经网络的次要组成部分。
依据层和神经元的类型，神经网络次要分为三类：
- 全连贯神经网络（惯例神经网络）
- 卷积神经网络
- 递归神经网络
例如，卷积神经网络能够更好地解决图像，而循环神经网络能够更好地解决序列类型的数据。为了解释骨干在神经网络中代表什么，咱们将以卷积神经网络中的骨干为例。此外，在文献中的大多数状况下，骨干都在卷积神经网络的背景下。
3. 卷积神经网络
卷积神经网络 (CNN) 是一种人工神经网络，咱们次要用于对图像进行分类、定位对象以及从图像中提取特色，例如边缘或角。CNN 的胜利是因为它们能够解决大量数据，例如图像、视频和文本。
这些网络应用卷积运算来解决输出数据。当输出图像时，CNN 能够学习不同的特色。例如：
- 网络的初始层学习低级特色，例如线、点、曲线等。
- 网络两头的层学习构建在低级特色之上的对象。
- 顶层能够依据前一层的特色了解高级特色，并实现调配的工作。
除此之外，还能够应用应用不同数据训练的预训练网络。这要归功于迁徙学习技术。例如，神经网络在一个数据集上学习一些模式，稍加调整就能够将它们用于另一个数据集。当然，数据集越类似，咱们冀望的后果就越好。
4. 神经网络中的骨干
除了图像分类，更简单的 CNN 架构能够解决不同的计算机视觉工作，例如对象检测或宰割。多亏了迁徙学习，咱们能够在另一个最后为图像分类训练的 CNN 之上构建用于对象检测的架构。在这种状况下，咱们应用 CNN 作为特征提取器，它实际上是对象检测模型的骨干：
通常，术语骨干是指将输出数据处理为某种特色示意的特征提取网络。这些特征提取网络通常在更简略的工作上作为独立网络体现良好，因而，咱们能够将它们用作更简单模型中的特征提取局部。
咱们能够将许多风行的 CNN 架构用作神经网络的骨干。其中一些包含：
- VGGs——包含具备 16 层和 19 层的 VGG-16 和 VGG-19 卷积网络。它们在许多工作中被证实是无效的，尤其是在图像分类和指标检测方面。
- ResNets – 或残差神经网络由卷积层和池化层块之间的跳跃连贯或循环单元组成。ResNet-50 和 ResNet 101 的一些风行版本在对象检测和语义宰割工作中很常见。
- Inception v1 – GoogleNet 是最罕用的卷积神经网络之一，作为许多计算机科学利用的支柱，包含视频摘要和动作辨认。
5. 总结
在本文中，咱们形容了骨干在神经网络中代表什么以及最受欢迎的骨干是什么。大多数状况下，咱们在计算机视觉中应用骨干。它代表了一种风行的 CNN，具备用于更简单的神经网络架构的特征提取性能。
本文由 mdnice 多平台公布
