卷积神经网络超详细介绍_呆呆的猫的博客-CSDN博客_卷积神经网络
feature map 和神经元的关系
https://www.csdn.net/tags/MtTaEg4sODcwNjE0LWJsb2cO0O0O.html
1、神经网络模型的过程
先有输入层,正向传播,经过隐层, 第一次权重随机的,得到一个输出loss,拟和的不好,再经过反向传播,求出导数,梯度值,计算每个权重对结果的影响大小,在对权重进行改变,直到loss变小,拟合好。
2、任务
1> 分类 classfication
2> 推荐同款 retrieval
3>目标检测 detection
4>分割 segmentation
3、卷积神经网络和神经网络的区别
特征提取, 这是六个filter(卷积核), 提取不同的特征压缩
可以在一个图像上进行多个filter卷积,也可以深层卷积。
这是一个三通道的图像,RGB, 一个filter经过三层深度卷积, 单通道是灰度图,一个像素只有一个值,0是黑色,255是白色, 也有三通道的灰度图,一个通道有值,其他两个都是0。
卷积:
滑动步数 stride 越大 特征越少, 希望特征更多,1的话 计算量太大,也不能漏特征,所以不大不小正好。
为了利用边缘的更多特征, 加上padding参数。 在边缘外加上0。 pad=1 加一圈0
卷积输入和输出计算:
传统神经网络是全连接形式,参数很多,无法完成学习。
卷积神经网络的一个重要特性: 权重共享
池化层: 针对特征图来操作。 对特征图的浓缩。
原始图像 --> 特征图
压缩: mean 或max
传统提取特征误差会比深度学习要大,所以采用自学习的方式,精细
最后一层FC就是全连接,所有特征。
卷积层前向传播:
filter 深度和前一层深度完全一样
一个图像是三通道的,那选择filter也是三个层数, 3->3*7*7-> 64->64*7*7
卷积层反向传播:
池化层反向传播; 均值和最大值
全连接层: