《大数据分析与挖掘 实训7 深度学习在图像识别及图像分类领域中的应用》由会员分享，可在线阅读，更多相关《大数据分析与挖掘 实训7 深度学习在图像识别及图像分类领域中的应用（25页珍藏版）》请在金锄头文库上搜索。
1、,大数据技术在企业创新背景下高校物流人才培养中的转化与应用,深度学习在图像识别及图像分类领域中的应用,开篇讨论无人驾驶,开篇讨论无人驾驶,问题解决任务背景,随着图片成为互联网中的主要信息载体，难题随之出现。当信息由文字记载时，我们可以通过关键词搜索轻易找到所需内容并进行任意编辑，而当信息是由图片记载时，我们却无法对图片中的内容进行检索，从而影响了我们从图片中找到关键内容的效率。图片给我们带来了快捷的信息记录和分享方式，却降低了我们的信息检索效率。在这个环境下，计算机的图像识别技术就显得尤为重要。,任务要求 构建一个简单的图像识别及分类模型。该模型能自动地对场景中的不同图像（图片）进行精准识别，
2、从而实现不同物体的自动归类。,问题解决任务要求,问题解决数据理解,问题解决数据探索与数据挖掘,大数据挖掘与分析工具PMT（北京络捷斯特开发）,大数据挖掘与分析流程,问题解决图片分类流程图,问题解决预测结果,问题解决预测结果,问题解决预测结果,问题学习知识点1-关系,问题学习知识点1-应用,关联规则,问题学习知识点2-深度学习,关联规则,问题学习知识点2-神经网络,关联规则,问题学习知识点2-神经网络,输入层（Input layer），众多神经元（Neuron）接受大量非线形输入讯息。输入的讯息称为输入向量。 隐藏层（Hidden layer），简称“隐层”，是输入层和输出层之间众多神经元和链接
3、组成的各个层面。如果有多个隐藏层，则意味着多个激活函数。 输出层（Output layer），讯息在神经元链接中传输、分析、权衡，形成输出结果。输出的讯息称为输出向量。,问题学习知识点3-BP神经网络 （back propagation）,原理：利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此一层一层传下去，就获得了所有其他层的误差估计。,问题学习知识点3-BP神经网络 （back propagation）,关联规则,问题学习知识点4-卷积神经网络,卷积神经网络(Convolutional Neural Network,CNN)是深度学习中最为重要的分支之一，被大量用于检测、分割、物体识别以及图像的各个领域。,我们看到的图像,机器看到的图像,关联规则,问题学习知识点4-卷积神经网络,关联规则,问题学习知识点4-卷积神经网络,问题学习知识点4-卷积神经网络,问题学习知识点4-卷积神经网络之优缺点,优点 共享卷积核，对高维数据处理无压力 无需手动选取特征，训练好权重，即得特征分类效果好 缺点 训练时间长，需要调参，需要大样本量，训练最好要GPU 可解释性差（也就说，我们并不知道每个卷积层到底提取到的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”）,作业发布,使用不用的分类器来预测以下50副图片的分类效果，观察并解读你的结果。,
