《智能駕駛之激光雷達算法詳解》深度學習基礎

jinchanchanwaji

1、本章先是介紹了一些神經網絡的基礎，神經元模型、感知機和多層感知機及正向傳導和誤差反向傳播機制。 神經元模型主要介紹了M-P神經元模型。通過對神經元各輸入值和權重值相乘后的累加值與神經元閾值進行比較，可以得到神經元的輸出值。主要使用的是sing函數。由于sign會使得神經元的輸出具有不連續性，為了使神經元模型能夠更好地處理非線性問題，并使得其輸出光滑連續，一些學者將sing函數替換成了sigmoid、ReLU函數、反正切函數等非線性函數。 感知機是基于M-P模型提出搭建的，感知機由兩層組成-輸入層和輸出層。感知機中的層概念便于搭建復雜的網絡結構。由此提出了多層感知機，包含輸入層、隱藏層和輸出層。多層感知機的隱藏層中，同一層的神經元節點共享同一個激活函數和偏置，并且在處理二分類問題時，神經網絡的輸出層通常使用sigmoid函數作為激活函數；而在處理多分類問題時，神經網絡的輸出層通常使用softmax函數作為激活函數。 通常將使用誤差反向傳播機制的前饋神經網絡稱為BP神經網絡。是一種全連接網絡，在處理高維、非線性問題時，BP神經網絡所需的層數較多，這就使得模型參數量較大，訓練困難且模型精度難以提升。在處理圖像問題時，通常需要將二維張量或三維張量表示的圖片拉伸成一維向量，送入全連接網絡。這種處理方式忽略了圖像的局部不變性，破壞了像素間的聯系。這些缺陷極大限制了其應用和推廣。 2、之后介紹了卷積神經網絡基礎。 為了模擬大腦神經元的感覺野機制，并且降低模型的參數量，將圖像領域的濾波操作引入神經網絡。該濾波器又稱為卷積核。這種將卷積操作和神經網絡相結合的方式模擬了大腦視覺中的感覺野機制，同時也可以大大降低模型的參數量，這正是卷積神經網絡名稱的由來。原理包含局部連接、權值共享和局部不變性。 其結構通常由輸入層、卷積層、池化層、全連接層和輸出層組成。 卷積層主要使用卷積操作對輸入數據進行線性權重求和，為了提升神經網絡的非線性，還需要在執行卷積操作后引入sigmoid函數或ReLU函數等激活函數以進行非線性化。一個卷積核只能抽取圖片的一種特征，因此我們在CNN中需要引入多個卷積核，以得到多通道的特征圖，進而抽取原始圖片中的輪廓，色彩，紋理等不同類型的特征。 池化層的作用是對卷積層獲取的特征圖進行降采樣，進一步縮減特征圖的尺寸。該過程不需要引入額外的權值參數，通常是通過對一定范圍內的像素值取最大值，平均值等來達到最大池化，平均池化的目的。池化操作在一定程度上可以使神經網絡對輸入數據的位置變化具有更強的魯棒性。 全連接層用于將卷積、池化后得到的矩陣特征圖映射到樣本的標空間中，實現最終的邏輯判斷 另外最近部門招聘，要求如下： 內外飾數字模型工程師       1、負責內飾全倉數字模型設計工作 2、對內飾零部件有充分了解、IP、門板、console等零部件 3、負責內飾IP、門板、座椅、console、頂棚、立柱等零部件的設計工作 4、掌握內飾零部件之間的配合關系，并完整表達設計意圖。       要求 1、大專及以上學歷，藝術設計、工業設計相關專業 2、熟練使用ALIAS軟件 3、 測試A級至少5-8年實際CAS、A面設計工作經驗 測試B級至少3-5年CAS、A面設計工作經驗 4、善于團隊合作、有責任心、敢于擔當、工作主動積極 有意者戳汽車造型/產品設計師社會招聘-表單-金數據 (jsj.top)