深度学习Deep Learning学习笔记——卷积神经网络CNN

笔记参考李宏毅机器学习课程

一、CNN基本结构

深度学习Deep Learning学习笔记——卷积神经网络CNN_第1张图片

二、CNN用于图像处理

 只需要较少的参数就能进行影像处理。卷积层中的神经元的功能是侦测某一种模型,多数模型特征小于整张图片,因此神经元不需要识别整张图片,只需要处理包含有模型的一小部分即可。同时,同样地形状,代表同样意义的部分可以采用统一神经元,同样地参数,因此可以有效减少所需要的参数量。此外,对于一个图像进行特征提取和压缩下采样处理,对图像本身本身的可识别性没有太大的影响,因此也可以对图像进行下采样,减少需要的参数。

深度学习Deep Learning学习笔记——卷积神经网络CNN_第2张图片

 深度学习Deep Learning学习笔记——卷积神经网络CNN_第3张图片

 

三、Convolution

深度学习Deep Learning学习笔记——卷积神经网络CNN_第4张图片

利用卷积进行特征提取与矩阵运算,类似语义分割。卷积核由人指定。灰度和彩色图像的深度不同,RGB图像分红黄蓝三层进行卷积运算。

convolution与fully connected

深度学习Deep Learning学习笔记——卷积神经网络CNN_第5张图片

四、Max Pooling

通过平均,取最值等算法,进一步继续拿给你缩小matrix

深度学习Deep Learning学习笔记——卷积神经网络CNN_第6张图片

深度学习Deep Learning学习笔记——卷积神经网络CNN_第7张图片

 

五、Flatten

将feature map拉直进行膨胀卷积运算,通过全连接前项网络。

六、应用

围棋AlphaGo

语音处理 深度学习Deep Learning学习笔记——卷积神经网络CNN_第8张图片

 

你可能感兴趣的:(深度学习,cnn,学习)