目录
一、fully connected network简化
(一) 感受野
1.图像的参数:[b,h,通道数c]
2.fully connected network的缺陷:参数过大,容易过拟合
3.全部关注,关注过多——》改进后:receptive field(感受野)/filter
1)每个neuron只关注自己的感受野,只关注一部分小范围
2)不同neuron的感受野部分可以重叠
3)设置:
(1)kernel size:感受野的大小,一般是3X3
(2)stride:感受野矩阵的移动距离,一般是1或者2
(3)padding:stride设置后使得感受野超出了边界,就在边界补0
(二) 参数共享
1.如何在不同位置提取到相似特征
2.两个neuron共享参数(weight和bias)
3.常见方法:每一个感受野上的神经元都设置成相同的参数(filter1,2,3……),从而实现参数共享
(三)pooling
1.pooling不会训练数据
2.在convolution后,作用是将图片变小,可以通过划分之后得到更小的图片维度
3.max pooling:选择一个范围内的最大值
二、convolutional layer
1.convolutional layer
优点:CNN的模型bias较大,不容易过拟合
2.过程(用下面的例子讲解)
step1:图片input
step2:3X3X1感受野,stride为1,得到64 filters
多个filters组合成feature map
step3:得到的新的convolution是3x3x64