zoukankan      html  css  js  c++  java
  • 二月七号博客

    深度学习之卷积神经网络

    卷积神经网络 - 结构
    卷积层
    通过在原始图像上平移来提取特征

    激活层
    增加非线性分割能力
    池化层
    减少学习的参数,降低网络的复杂度(最大池化和平均池化)
    全连接层
    卷积层(Convolutional Layer)
    卷积核 - filter - 过滤器 - 卷积单元 - 模型参数
    个数
    大小 1*1 3*3 5*5
    卷积如何计算?
    输入
    5*5*1 filter 3*3*1 步长 1
    输出
    3*3*1
    步长
    输入
    5*5*1 filter 3*3*1 步长2
    输出
    2*2*1
    零填充的大小
    6 总结-输出大小计算公式
    7 多通道图片如何观察
    输入图片
    5*5*3 filter 3*3*3 + bias 2个filter 步长2
    H1=5
    D1=3
    K=2
    F=3
    S=2
    P=1
    H2=(5-3+2)/2+1=3
    D2=2

    输出
    3*3*2
    卷积网络API
    tf.nn.conv2d(input, filter, strides=, padding=)
    input:输入图像
    要求:形状[batch,heigth,width,channel]
    类型为float32,64
    filter:
    weights
    变量initial_value=random_normal(shape=[F, F, 3/1, K])
    strides:
    步长 1
    [1, 1, 1, 1]
    padding: “SAME”
    “SAME”:越过边缘取样
    “VALID”:不越过边缘取样
    1)掌握filter要素的相关计算公式
    2)filter大小
    1x1,3x3,5x5
    步长 1
    3)每个过滤器会带有若干权重和1个偏置
    激活函数
    sigmoid
    1/(1+e^-x)
    1)计算量相对大
    2)梯度消失
    3)输入的值的范围[-6, 6]
    Relu的好处
    1)计算速度快
    2)解决了梯度消失
    3)图像没有负的像素值
    tf.nn.relu(features)
    池化层(Polling)
    利用了图像上像素点之间的联系
    tf.nn.max_pool(value, ksize=, strides=, padding=)
    value:
    4-D Tensor形状[batch, height, width, channels]
    ksize:
    池化窗口大小,[1, 2, 2, 1]
    strides:
    步长大小,[1, 2, 2, 1]
    padding:“SAME”
  • 相关阅读:
    Win8 消费者预览版中文版下载地址 官方原版
    Easyui datagrid加载本地Json数据
    myeclipse 8.510.0 安装 svn 方法
    easyui tree使用方法
    安装Oracle 11g r2先决条件检查失败解决方法
    Win8/Win7或XP 双系统安装图文教程
    Oracle存储过程与函数
    MyEclipse 中 使用 TortoiseSVN(1)
    MyEclipse 中 使用 TortoiseSVN(2)
    easyui使用Ajax提交表单,返回Json数据
  • 原文地址:https://www.cnblogs.com/goubb/p/12274775.html
Copyright © 2011-2022 走看看