深度学习篇---CNN和RNN结合与对比,实例讲解
Posted lhworldblog
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深度学习篇---CNN和RNN结合与对比,实例讲解相关的知识,希望对你有一定的参考价值。
一、前述
CNN和RNN几乎占据着深度学习的半壁江山,所以本文将着重讲解CNN+RNN的各种组合方式,以及CNN和RNN的对比。
二、CNN与RNN对比
1、CNN卷积神经网络与RNN递归神经网络直观图
2、相同点:
2.1. 传统神经网络的扩展。
2.2. 前向计算产生结果,反向计算模型更新。
2.3. 每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。
3、不同点
3.1. CNN空间扩展,神经元与特征卷积;RNN时间扩展,神经元与多个时间输出计算
3.2. RNN可以用于描述时间上连续状态的输出,有记忆功能,CNN用于静态输出
3. 3. CNN高级100+深度,RNN深度有限
三、CNN+RNN组合方式
1. CNN 特征提取,用于RNN语句生成图片标注。
2. RNN特征提取用于CNN内容分类视频分类。
3. CNN特征提取用于对话问答图片问答。
四、具体应用
1、图片标注
基本思路
目标是产生标注的语句,是一个语句生成的任务,LSTM?
描述的对象大量图像信息,图像信息表达,CNN?
CNN网络中全连接层特征描述图片,特征与LSTM输入结合。
具体步骤:
1.1 模型设计-特征提取
全连接层特征用来描述原图片
LSTM输入:word+图片特征;输出下一word。
1.2 模型设计-数据准备
1. 图片CNN特征提取
2. 图片标注生成Word2Vect 向量
3. 生成训练数据:图片特征+第n单词向量:第n+1单词向量。
1.3 模型训练:
1. 运用迁移学习,CNN特征,语句特征应用已有模型
2. 最终的输出模型是LSTM,训练过程的参数设定:梯度上限(gradient clipping), 学习率调整(adaptivelearning)
3. 训练时间很长。
1.4 模型运行:
1. CNN特征提取
2. CNN 特征+语句开头,单词逐个预测
2、视频行为识别 :
视频中在发 生什么?
2.1常用方法总结:
RNN用于CNN特征融合
1. CNN 特征提取
2. LSTM判断
3. 多次识别结果分析。
不同的特征不同输出。
或者:所有特征作为一个输出。
2.2 RNN用于CNN特征筛选+融合:
1. 并不是所有的视频 图像包含确定分类信息
2. RNN用于确定哪些frame 是有用的
3. 对有用的图像特征 融合。
2.3 RNN用于,目标检测:
1. CNN直接产生目标候选区
2. LSTM对产生候选区融合(相邻时刻位置近 似)
3. 确定最终的精确位置。
2.4 多种模型综合:
竞赛/应用中,为了产生最好结果,多采用 多模型ensemble形式。
3、图片/视频问答
3.1 问题种类
3.2 图片问答意义
1. 是对纯文本语言问答系统的扩展
2. 图片理解和语言处理的深度融合
3. 提高人工智能应用范围-观察,思考,表达
以上是关于深度学习篇---CNN和RNN结合与对比,实例讲解的主要内容,如果未能解决你的问题,请参考以下文章
深度学习核心技术精讲100篇(六十三)-CNN一文详细讲解前因后果
[人工智能-深度学习-47]:卷积神经网CNN+循环神经网络RNN与组合电路+时序电路的比较
什么是深度学习?kears简介,深度学习常用的三大模型,MLP(多层感知机),CNN(卷积神经网络),RNN(循环神经网络)