建设工程质量检测公司网站,电子商务平台经营者接到通知后,闲鱼搭建网站,华为商城网站设计分析文章目录 1.卷积运算2.池化3.全连接层 卷积神经网络可以看作一个函数或者黑箱#xff0c;输入就是图片的像素阵列#xff0c;输出就是这个图片是什么#xff1f; 图片是X#xff0c;那么就输出‘x’#xff0c;图片是‘O’,那么就输出O#xff1b; 在计算机眼中#xff… 文章目录 1.卷积运算2.池化3.全连接层 卷积神经网络可以看作一个函数或者黑箱输入就是图片的像素阵列输出就是这个图片是什么 图片是X那么就输出‘x’图片是‘O’,那么就输出O 在计算机眼中图片是一系列像素阵列 我们可以通过图片特征识别图片假设我们用提取原图中以下三种特征我们选用以下三种卷积核。 1.卷积运算
卷积核把原图中的特征提取出来反应在Feature Map上 具体流程如下 拿卷积核与图中绿色框部分进行运算得到结果为1代表这部分与卷积核特征完全相同 拿卷积核与中间绿色框进行卷积得到如下卷积结果最后得到0.55代表保留了卷积核0.55的特征 我们拿卷积核对所有部分进行一遍卷积运算得到如下结果最后得到如图特征图 通过不同的卷积核提取不同的特征 但是很多情况下会有很多特征通过不同的卷积核进行卷积得到很多Feature Map,那么会带来很多的计算量那么时间就会来不及所以我们需要把图像进行缩小因此需要池化层。
2.池化 池话分为两种最大池化和平均池化一般使用Max pooling在保留了原图特征的同时还可以降低图像尺寸降低计算量 激活层 激活层主要对卷积层的输出进行一个非线性映射。 使用ReLUs 3.全连接层 但是权重和卷积核又该怎么选择呢这个是需要训练得到。 损失函数是预测值与真实值的差距通过后向传播不断求导得到损失值最小的参数经过不停的训练大量的数据最后模型自己就知道采用哪些卷积核、每一个神经元的权重是多少这就是机器学习。 不需要人为指定卷积核amazing 当找到损失函数的最小值时即成功了但是我们需要一个初始参数事先指定卷积核的尺寸、数目、随机生成卷积核、全连接层的数量等这就是超参数。 【本文为学习CNN的笔记】有错误欢迎指正 视频地址
