zoukankan      html  css  js  c++  java
  • 卷积神经网络(二)深度卷积网络:实例探究

    1、经典网络:

    (1)LeNet-5:识别手写数字

    (2)AlexNet:

    (3)VGG-16:

    2、Residual networks(ResNets 残差网络):

    (1)Residual block(残差块):

     多个残差块构成一个残差网络:

    (2)残差网络的优势:

    理论上,随着神经网络的深入,训练误差会越来越小,但实际上,层数越多训练的难度越大,因此层数过多误差也会增大. 但残差网络适用于深层的神经网络,误差随着层数的增多而减小.

    (3)为什么残差网络性能更好?

    3、网络中的网络和1*1卷积:

    (1)作用:

    对于二维效果不佳,仅仅是矩阵乘数字:

     对于三维,实现了多个通道乘积再求和的功能:

    (2)应用:压缩 nC

    使用32个1*1卷积,将192通道压缩为32通道.

    4、Inception网络:

    (1)作用:决定过滤器的大小.

    (2)Inception块:

    将各个可能使用的过滤器合并,让系统自行学习并选择合适的过滤器.

    以28*28*32块为例,说明 computational cost 问题:

    乘法计算次数:28*28*32*5*5*192 ≈ 120 Million

    而使用了1*1卷积压缩后:中间的层成为“bottleneck layer”,即瓶颈层.

    乘法计算次数:2*28*16*192 + 28*28*32*5*5*16 ≈ 2.4 Million + 10.0 Million = 12.4 Million

    (3)Inception模块:

    组成Inception网络:

  • 相关阅读:
    关于钩子函数的详细解答:
    Vue实现回到顶部
    Vue实现Rate组件(星星评分)
    Vue-router 路由模式
    javascript中实现跨域的方式
    Promise
    webpack使用
    小程序登录
    api工厂的sdk的使用
    面试题划“重点”
  • 原文地址:https://www.cnblogs.com/orangecyh/p/11868402.html
Copyright © 2011-2022 走看看