利用卷積神經網絡模型，怎么識別人體行為動作？CNN卷積神經網絡是一種深度模型。事實上，它已經成功地訓練和應用了很長一段時間（最近，深度學習可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經網絡體

利用卷積神經網絡模型，怎么識別人體行為動作？

CNN卷積神經網絡是一種深度模型。

事實上，它已經成功地訓練和應用了很長一段時間（最近，深度學習可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經網絡體系結構，但很多人在將其放入DL家族時仍然保持著自己的理解。它在原始輸入中使用可訓練濾波器和局部鄰域池運算，得到一個層次化的、逐漸復雜的特征表示。實踐表明，采用適當的正則化項進行訓練可以取得很好的效果。CNN的另一個最受歡迎的特點是它對姿勢、光線和復雜背景等事物保持不變。

是否存在通用的神經網絡模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型，雖然深度學習的目標之一是設計能夠處理各種任務的算法，但是深度學習的應用還需要一定的專業(yè)化，目前還沒有通用的神經網絡處理模型。然而，每一種模式也在相互學習、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進卷積神經網絡和遞歸神經網絡，如批量標準化和關注度。一般模型需要在將來提出。

圖像和視頻處理，計算機視覺，最流行的是CNN，卷積神經網絡，它的變形和發(fā)展，CNN適合處理空間數據，廣泛應用于計算機視覺領域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點。將上述模型應用于圖像分類識別中。在圖像分割、目標檢測等方面，提出了更有針對性的模型，并得到了廣泛的應用。

語音處理，2012年之前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結合。目前最流行的是深度學習RNN遞歸神經網絡，其長、短期記憶網絡LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學習模型也經歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務場景有不同的模型和策略來解決一些問題。

cnn卷積神經網絡中的卷積核怎么確定？

從模型中學習卷積參數，手動確定卷積核的大小和數目。二維卷積核的大小通常是奇數，例如1*1、3*3、5*5、7*7。卷積核數是網絡中的信道數。常用的是128 256 512，需要根據具體任務來確定。

另外，最近，神經網絡自動搜索結構非常流行，最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數據集的最優(yōu)網絡結構