卷积神经网络在识别检测,匹配重建上都有一定的应用,目前也是视觉研究的热点之一。
CNN对大多数使用这来说,是一个黑盒,我们获得较好的结果,却不能用数学进行准确的解释。但是,没有关系,这个问题不应该成为我们拒绝CNN的原因。在使用CNN的过程中,我们学习了神经网络基础的知识(各层及其功能,参数的含义等)之后,我们会有一个成长之路。
1,选着一个框架(Tensorflow, caffe),然后跑一些demo;
2,按照他们网络的编写语法,尝试改写模型,增加一些层或换掉一些激活函数与损失函数;
上面的使我们有一个感官上的理解。
3,对自己网络进行微调
这一步是需要分析训练测试结果,然后根据结果去调整结构和参数。只有完成了这一步才能真的使用CNN做一些工作
4,下面就是拓展了,开发新的网络结构、新的函数、研究优化方法等,当然有的人就会按照这个套路去学习RNN,LSTM等
----------------------------------------------------------------
本文就从第3点开始介绍,我们如何对网络进行微调。在介绍之前,还是先进行理论的介绍。