深度学习-分类任务

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

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。

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。

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

一些经典的神经网络 

AlexNet

drop out ：防止过度拟合

归一化处理：在回归任务中有提及

结构

 VGG