zoukankan      html  css  js  c++  java
  • CNN卷积神经网络学习笔记

    总体网络架构

    主要由Convolution层、Max Pooling层、Flatten层以及 FullyConnected Feedforward network组成,其中Convention层与Max Pooling层可以连续多次,根据需求设定。其特征为局部感知和权值共享,通过使用Filter来实现,具体网络结构如下图所示。
    总体架构
    权值共享

    Convolution层

    使用Filter进行卷积,即对应参数点积之和。用来寻找是否存在对应pattern,点积之和越来大表示与所寻找pattern越相似,其中Filter中的参数是由学习得出,且需注意深度。66的image由2个33的Filter卷积过后得到一个44的image,即一个24*4的Feature Map。在卷积过程中可设置stride,即Filter每次移动格数,padding,即是否在image边缘补充格数。
    Convolution层

    Max Pooling层

    对image进行简化,例如选取2*2里最大的保存。
    Max Pooling

    Flatten层以及全连接层

    Flatten层将所得image数据拉成条状后输入全连接层即可得到output。全连接层对imge进行整体感知,从而得出相应结果的概率。整体过程如下。

  • 相关阅读:
    JS——正则案例
    JS——正则
    JS——旋转木马
    JS——缓动框架的问题
    JS——缓慢动画封装案例
    JS——缓慢动画封装
    JS——隐式全局变量
    JS——样式获取的兼容写法
    JS——冒泡案例
    JS——事件冒泡与捕获
  • 原文地址:https://www.cnblogs.com/wzq-blog/p/14830640.html
Copyright © 2011-2022 走看看