深度神经网络、卷积神经网络(CNN)、多卷积核、全连接、池化)
文章目录
深度神经网络训练
Pre-training + Fine-tuning
- Pre-training(预训练):
监督逐层训练是多隐层网络训练的有效手段, 每次训练一层隐层结点, 训练时将上一层隐层结点的输出作为输入, 而本层隐结点的输出作为下一层隐结点的输入, 这称为”预训练”. - Fine-tuning(微调):
在预训练全部完成后, 再对整个网络进行微调训练. 微调一般使用BP算法. - Comments:
预训练+微调 的做法可以视为将大量参数分组, 对每组先找到局部看起来比较好的设置, 然后再基于这些局部较优的结果联合起来进行全局寻优.
训练深度神经网络
参数共享
参数共享是深度神经网络中的一种技术,它使多个神经元在网络中使用相同的参数集。这种技术有助于减少训练网络所需的参数数量,从而提高其计算效率。
卷积神经网络(CNN)
CNN是一种层次特征提取器,用于提取越来越高层次的特征。由于特征的感受域越来越大,特征从局部变为全局。
卷积
卷积是指对两个函数进行加权求和的操作。在卷积神经网络中,卷积操作是指将输入数据与一个卷积核(也称为滤波器或权重)进行卷积计算,得到一个特征映射的过程。
具体来说,卷积操作包括以下三个要素: