人工神經網路是一種互連系統，它通過學習例項來完成給定的任務，而不必事先了解該任務。這是通過為每個節點中的權重找到最佳點估計來完成的。一般來說，使用點估計作為權重的網路在大型資料集上表現良好，但它們無法在資料很少或沒有資料的區域中表達不確定性，從而導致決策過於自信。
本文提出了一種基於變分推理的貝葉斯卷積神經網路（bayescnn），它引入了權值上的概率分布。此外，所提出的bayescnn結構也被應用於影象分類、影象超解析度和生成對抗網路等任務中。bayescnn是基於backprop提出的貝葉斯模型，它匯出了真後驗概率的變分近似。我們提出的方法不僅在相同的架構中實現了與頻率推斷相當的效能，而且還包含了不確定性和規則化的測量，還進一步消除了在模型中使用的dropout。此外，我們還**了模型**是如何基於認知和偶然的不確定性，最後，我們提出了修剪貝葉斯架構的方法，使其更具計算效率。
**的第一部分對貝葉斯神經網路進行了解釋，並將其應用於影象分類任務中。分類結果與基於mnist、cifar-10和cifar-100資料集的點估計架構進行了比較。此外，還計算了不確定性，對貝葉斯架構進行了修剪，並對結果進行了比較。在**的第二部分中，該概念進一步應用於其他計算機視覺任務，即影象超解析度和生成對抗網路。對貝葉斯神經網路的概念進行了測試，並與同類領域的其他概念進行了比較。
1 引言
1.1 問題描述
1.2 當前研究概況
1.3 我們的假設
1.4 本文研究貢獻
2 專案背景
2.1 神經網路
2.2 基於概率的機器學習
2.3 貝葉斯學習的不確定性
2.4 後向傳播
2.5 模型權重修剪
3 相關研究工作
4 相關概念
4.1 變差推斷的貝葉斯卷積神經網路
4.2 cnn中的不確定估計
4.3 模型修剪
5 經驗分析
5.1 實驗方法
5.2 案例1：小型資料集（mnist、cifar-10）
5.3 案例2：大型資料集（cifar-100）
5.4 不確定估計
5.5 模型修剪
5.6 訓練時間
6 應用
6.1 影象超解析度的bayescnn應用
6.2 生成對抗網路的bayescnn應用
7 結論與未來研究展望
附錄a 實驗規範
附錄b 如何重複實驗結果
電腦科學
電腦科學就是研究計算 如何表示和處理資訊。解決問題 你將學會各種演算法策略，比如分而治之法 遞迴 探索法 貪婪搜尋和隨機演算法，它們可以幫你分解和解決任何一種問題。邏輯 你開始使用更準確和正式的方式進行思考，比如抽象 布林邏輯 數字理論和集合理論，你因此能夠以一種嚴謹的方式來解決問題。資料 你接觸到...
計算機與電腦科學初識
1.為何要學習計算機與計算科學？這是乙個智慧型化與資料化的時代，計算解決自然社會問題，已經成為這個資料時代的基本需求了。而計算機自動化高效處理大量問題這種機器計算也已成為一種常態，為實現機器更好的自動計算，計算科學這門藝術便誕生了。計算科學從一種思維高度來決定我們對於計算的認知，讓我們更好把握計算的...
這是電腦科學
演算法對於計算機的發明和發展，真的是.太重要了。我們永遠都不會忘記，是數學家們的不斷努力，才將計算機的構想變為現實。而計算機也是通過數學 邏輯 運算，幫助人們解決現實問題的。所以能把演算法搞到noi和icpc金銀牌的程度，了不起哉 前途光明哉 但是，也應該看到，電腦科學並不是僅僅有演算法，非演算法的...