分类任务的原理
定义几个类别
将输出与类别对比,判断是哪一类
分类任务的输入和输出
可以看出,分类任务的深度学习方法与线性回归的方法基本相同,都是做全连接,分类任务的特点是如何将图片输入。
一种图片处理方法:直接将图片拉直
这种方法会造成参数量过多,过拟合严重。因此不用这种方法。
第二种方法:卷积神经网络
卷积、卷积核、特征图
![](https://i-blog.csdnimg.cn/blog_migrate/52d44f2d7ce528722cafe48fd9375479.png)
卷积核的参数量(不考虑偏置值)
例如卷积核数目为64,大小为3×3,深度为5层,卷积核的参数量为64*3*3*5.
卷积优化方式
padding(保持卷积后的特征图与原始图片的大小不变)
Zeropadding
深层卷积
224-224-3变成224-224-5
如何将特征图变小
-
特征图如何变小
-
降低采样
-
-
方法一:扩大步长
-
卷积步长:之前每次移一个步长,现在移动两步
-
卷积尺寸计算公式
-
-
方法二:依靠pooling池化
-
分区域,每个区域仅用一个数字表示区域
-
-
两种方法
-
最大池化,用max表示这个池子
-
平均池化,用平均值表示这个池子
-
-
适应化pooling
-
-
-
卷积的结果如何表示为一个类别呢
将图片卷积结果展开为一维,然后进行全连接。
![](https://i-blog.csdnimg.cn/blog_migrate/d93b9ff24e854b58856bb48e37411609.png)
分类的输出
分类的输出结果要经过softmax函数,转化为概率的形式。
分类任务的loss如何计算
交叉熵损失,这里分为二分类与多分类。
![](https://i-blog.csdnimg.cn/blog_migrate/bfde272899a22043ec3066d902ba6b43.png)
一个基本分类任务神经网络层次
卷积与池化层
全连接层
分类层