本文深入探讨了卷积神经网络的基础知识，包括链式反向梯度传导原理，卷积层、池化层、零填充的作用，以及全连接层。详细解释了卷积层的关键参数，如卷积核大小、步长和边界扩充，并通过实例展示了卷积运算过程。此外，还介绍了池化层的目的和Max Pooling的操作，以及Zero Padding在保持特征图尺寸不变中的应用。最后，讨论了卷积网络的结构和参数计算，强调了非线性激励层、归一化层和融合层在提升模型性能中的作用。
文章目录
链式反向梯度传导
链式法则：
神经网络中的链式法则：
从loss向输入传播
每层导数（Δy,Δx)结果存储用于下一层导数的计算。
例如：
f(x,y,z) = (z+y)*z
分别求f对 x, y, z的偏导：
设q = x + y , 则f = qz ，因为q对x,y分别求偏导均为1，f对z,q求偏导为q,z，则f对x,y求偏导为q,z。
示例
f(x,y,w) = 1 / (e^- [(x1+x2)w + max(y1,y2)]^
得到的输入数据和结构如图：
一步步向前计算可得：
- x1+x2 = 1.5
- (x1+x2)w = 3
- max(y1,y2) = -2
- (x1+x2)w + max(y1,y2) = 1
- -(x1+x2)w + max(y1,y2) = -1
- e^-(x1+x2)w + max(y1,y2)^ = 0.368
- 则f(x,y,w) = 1 / (e^- [(x1+x2)w + max(y1,y2)]^ = 2.718
反向：
7，df/df = 1
6，f(x) = 1/x ; df/dx = -1/x2 ∴ 1 * (-1/0.3682) = - 7.39
5，f(x) = ex; df/dx = ex ∴ -7.39 * e-1 = -2.72
4，f(x) = -x; df/fx = -1 ∴ -2.72*（-1）= 2.72
3，f(x,y) = x+y; df/fx = 1, df/dy = 1 ∴ x = y = 2.72
2，f(x,y) = xy; df/dx = y,df/dy = x ∴ x = 2.722=5.44, y=w=2.721.5=4.08
1&#x
最低0.47元/天 解锁文章
扫一扫
7932
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
