卷积:一组固定的权重和不同窗口内数据做内积
一、维度关系
input: m*m*k
filter: n*n*k (num)
zero-padding: p
stride: s
output width/height: (m-n+2*p)/s +1 depth:num
二、卷积层权值共享机制
不同区域,采用同一个filter权值
好处:1.训练参数减少,计算量下降,降低过拟合风险
2.每个filter权重不改变,符合某个个体看待某件事物“三观”不改变的性质
Conv + Relu
三、Pooling (无参数)
下采样过程,压缩特征
input: m*m*k(k个大小为m*m 的feature map)
pooling:n*n*k (n
参考七月在线CNN算法讲解
(1)filter(滤波器:带固定权重的神经元,可以是多维 m*n*k 长×宽×厚)的个数,等于输出的depth。每个filter只关注一个特性/特征
(2)数据预处理:减去训练集的均值。test同样也是减去train的mean
(3)stride决定filter的步长(决定有多少个滑动窗口)
(4)zero—padding&