/NeuralNetworks

Known and custom 神經網路模型,

Primary LanguagePython

神經網路模型

本專案包含多個經典的深度學習神經網路模型，適用於影像分類與分割等任務。以下簡要介紹各模型架構、特色與應用場景。

1. AlexNet

  • 簡介：
    • AlexNet 是 2012 年 ImageNet 競賽冠軍模型，開啟了深度卷積神經網路在圖像分類領域的熱潮。
  • 架構特色：
    • 多層卷積層與池化層，搭配 ReLU 激活函數。
    • 使用 Dropout 防止過擬合。
    • 支援 GPU 並行運算。
  • 應用場景：
    • 圖像分類、特徵提取。
  • 使用方式：
    • 請參考 alexnet_example.py 進行訓練與推論。

2. ResNet (殘差網路)

  • 簡介：
    • ResNet（Residual Network）於 2015 年提出，通過殘差連接（skip connection）解決深層網路訓練困難的問題。
  • 架構特色：
    • 引入殘差塊（Residual Block），允許訊息直接跨層傳遞。
    • 支援極深的網路結構（如 ResNet-18、ResNet-34、ResNet-50 等）。
  • 應用場景：
    • 圖像分類、物件偵測、特徵學習等。
  • 使用方式：
    • 請參考 resnet.py，可直接呼叫 resnet18() 建立模型。

3. U-Net

  • 簡介：
    • U-Net 是專為生醫影像分割設計的網路架構，具有對稱的編碼器-解碼器結構。
  • 架構特色：
    • 編碼器（收縮路徑）提取特徵，解碼器（擴張路徑）恢復空間細節。
    • 跳躍連接（skip connection）保留高解析度資訊。
    • 適合少量資料下的精細分割。
  • 應用場景：
    • 醫學影像分割、衛星影像分割、一般語意分割任務。
  • 使用方式：
    • 請參考 u-net.py，可直接建立 UNet 類別並進行訓練與推論。

執行環境建議

  • Python 3.7 以上
  • PyTorch 1.7 以上
  • 其他依賴請參考 requirements.txt

聯絡方式

如有問題歡迎提出 issue 或聯絡作者。