霹雳吧啦wz学习笔记1_卷积神经网络

霹雳吧啦wz学习笔记1_卷积神经网络
全连接层:
全连接层就是由许许多多的神经元共同连接而得来的
霹雳吧啦wz学习笔记1_卷积神经网络_第1张图片

卷积层:
卷积就是一个滑动窗口在我们的特征图上进行滑动并计算
霹雳吧啦wz学习笔记1_卷积神经网络_第2张图片
卷积的目的:进行图像特征提取
卷积核的channel与输入特征层的channel相同
输出的特征矩阵channel与卷积核个数相同
霹雳吧啦wz学习笔记1_卷积神经网络_第3张图片
卷积核1输出得到的特征矩阵,加上偏移量-1之后是0200
卷积核2输出得到的特征矩阵,加上偏移量1之后是2232

常见的激活函数:sigmoid激活函数,Relu激活函数
霹雳吧啦wz学习笔记1_卷积神经网络_第4张图片
卷积过程中出现越界怎么处理:通过padding,补0进行处理
霹雳吧啦wz学习笔记1_卷积神经网络_第5张图片

池化层
池化层的目的:对特征图进行稀疏处理,减少数据运算量
MaxPooling最大池化下采样层(取最大值)
霹雳吧啦wz学习笔记1_卷积神经网络_第6张图片
AveragePooling平均下采样层(取平均值)
霹雳吧啦wz学习笔记1_卷积神经网络_第7张图片
池化层的特点:
1.没有训练参数
2.只改变特征矩阵的w和h,不改变channel
3.一般poolsize和stride相同

你可能感兴趣的:(学习,cnn,深度学习)