认知复杂性的基础：教CNNS查看联系

解放教育包括认知行为，而不是信息传递。 Paulo Freire

解放教育包括认知行为，而不是信息传递。

Paulo Freire 围绕人工智能的激烈讨论是：人类学习的哪些方面能够捕获？ 许多作者认为，人工智能模型没有与人类相同的功能，尤其是在可塑性，灵活性和适应性方面。 模型未捕获的方面之一是与外部世界有关的几种因果关系。 本文讨论了这些问题： 卷积神经网络（CNN）与CNN的人类视觉皮质限制之间的并行性在理解因果关系和学习抽象概念，以使CNN学习简单的因果关系 卷积神经网络（CNN）和人类视觉皮层之间的平行性 CNN在理解因果关系和学习抽象概念中的限制

Paulo Freire

围绕人工智能的激烈讨论是：人类学习的哪些方面能够捕获？

许多作者认为，人工智能模型没有与人类相同的功能，尤其是在可塑性，灵活性和适应性方面。

模型未捕获的方面之一是与外部世界有关的几种因果关系。

本文讨论了这些问题：

卷积神经网络（CNN）与CNN的人类视觉皮质限制之间的并行性在理解因果关系和学习抽象概念，以使CNN学习简单的因果关系

卷积神经网络（CNN）和人类视觉皮层之间的平行性

CNN在理解因果关系和学习抽象概念

如何使CNN学习简单的因果关系

是一样的吗？有不同吗？

卷积网络（CNNS）[2]是多层神经网络，将图像作为输入，可用于多个任务。 CNN最令人着迷的方面之一是它们来自人类视觉皮层的灵感[1]： 卷积网络（CNN）

人类视觉皮层

层次处理。视觉皮层通过层次进行图像，其中早期视觉区域捕获简单的特征（例如边缘，线条和颜色），并且更深的区域捕获了更复杂的特征，例如形状，对象和场景。 CNN由于其分层结构，在早期层中捕获了边缘和纹理，而层则进一步向下捕获零件或整个对象。 层次处理 接受场 功能共享

过滤器

空间不变性。即使对象被移动，缩放或旋转，也可以识别物体。 CNN还具有此属性。 空间不变性 在这里 抽象认知 神经网络cnns