本文共 508 字,大约阅读时间需要 1 分钟。
3.卷积神经网络基础
卷积其实是一种信号过滤器,实际上做的二维互相关运算。以前理解 的是卷积运算,现在才发现这就是互相关运行,说白了就是用卷积核遍历输入的数组。
池化是一种降维操作。
互相关运算和卷积运算没有本质上的不同,但是还是有区别。
卷积神经网络的输出为 (nh+ph-kh+sh)/sh * (nw+pw-kw+sw)/sw
nh,nw 为输入的高和宽
ph,pw为填充的高和宽
kh,kw为卷积核的高和宽
sh,sw为纵向和横向步长
课后题居然大错,第一题被坑了,是彩色 图片,有3个通道。。。
卷积层和池化层的区别是:
卷积层是加权求和,权值 通过训练来得到。
池化层是通过选择最大数据或者求平均数来得到值。
以前我误认为这两者之间的区别是stride, 也就是步长的不同。
4. LeNET
LeNet是最简单的卷神经网络 ,它的结果很简单,一层卷积,一层池化,最后是几层全连接,全连接之前带有展平操作,让多维的张量变为一维的张量
5 高级CNN
AlexNet : 8层变换, 5,2,1 五个卷积层,2个隐藏全连接层,一个全连接输出层。
池化方式也从平均池化改为最大池化方式
(图无法帖上来,缺失)
转载地址:http://vswl.baihongyu.com/