卷积神经网络CNN学习笔记
卷积神经网络主要由输入层、卷积层、ReLU层、池化层和全连接层组成。
卷积层
卷积层涉及参数:(1)滑动窗口步长;(2)卷积核尺寸;(3)边缘填充;(4)卷积核个数。
(1)滑动窗口步长stride:步长比较小,则更加细腻地提取特征,得到的特征图大。步长比较大,则提取特征更粗糙,得到特征图小。对于图像任务一般步长为1即可。
(2)卷积核尺寸filter size:卷积核越小,提取越细腻,卷积核越大,提取越粗糙。一般最小卷积核尺寸为3*3.
(3)边缘填充padding:为弥补图像角落或边界像素被filter提取次数少地问题,在原本图像周围以0为值进行边缘填充。
2.卷积结果计算公式
3.卷积参数共享:对于图像每一个位置选用相同地卷积核
ReLU层
ReLU层:ReLU是神经网络当中常用的激活函数,在卷积神经网络中通常接在卷积层后。
池化层
池化层的功能在于压缩特征。
最大池化(Max Pooling)为最普遍的池化方式即在每个区域选取最大特征值,此外还有平均池化等方法。
全连接层
全连接层一般放于整个网络最后,将之前得到的特征图拉伸成一个一维特征向量,实现端到端的学习。全连接层的功能在于组合特征和分类。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)