卷积神经网络
文章平均质量分 60
日常总结
A1941314856
开心了就笑,不开心了就哭!
展开
-
CNN和RNN介绍
主要的神经网络分类方法为:BP神经网络分类算法,径向基神经网络分类算法RBF。 通过池化操作可以减少特征维度,保持特征拥有空间不变性。 CNN网络在交叉相连的卷积层,池化层后紧连着全连接层与分类器,全连接层通常为多层神经网络(MLP),在森曾CNN中全连接层中,大多采用能精确模拟生物激活模型的Relu激活函数,其能够使网络在训练过程中加速随机梯度下降法SGD的收敛和防止梯度消失,以提高网络训练速度。 于此同时,为了避免网络在训练过程中出现过拟合问题,添加进入了一些Dropput(随机丢失技术),该方法原创 2021-02-04 18:29:54 · 1881 阅读 · 0 评论 -
卷积的一些类型介绍
卷积一般分为4中类型:标准卷积:标准卷积(该介绍均已stride=1为例展开)也可分为padding=0,这种情况下输出分辨率为输入-卷积核+1; padding=kernel/2向下取整数,这种情况是输出分辨率等于输入尺寸。 padding=kernel-1,这种情况是输出大于输入分辨率。空洞卷积(扩张卷积):设计到感受野的概念和扩张率L,首先介绍一下这两个的概念...原创 2021-02-04 15:10:53 · 1235 阅读 · 0 评论 -
Adam优化器
Adam优化器介绍优化器的作用就是为了获得最优的网络参数。Adam优化器参数介绍:keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.99, epsilon=1e-08, decay=0.0)这个原创 2020-12-20 17:00:30 · 2699 阅读 · 0 评论 -
优化算法理解
如何理解常见的卷积神经网络中的几个优化算法该文章详细的参考网址介绍:https://blog.csdn.net/qfikh/article/details/105329606随机梯度下降算法:随机采取一个样本,根据预测值和真实值之间的差别得到损失,然后计算损失函数对参数进而对参数进行更新。...原创 2020-12-08 17:18:33 · 176 阅读 · 0 评论 -
过滤器理解
如何理解过滤器通俗的理解:过滤器就是卷积核的数量。该文章详细参考信息网址:https://blog.csdn.net/weixin_38481963/article/details/109920512这里输入通道为3,每个通道都需要跟一个卷积核进行卷积运算,然后将结果相加得到一个特征图的输出,这里有4个过滤器,就是得到了4个特征图(有的博客介绍:输出通道数为4)单个特征图计算可看下图:再来看一下单通道的例子:输入是灰色图片,输入通道数是1,卷积核有3个,做三次卷积操作,生成3原创 2020-12-08 16:56:35 · 257 阅读 · 0 评论 -
如何理解卷积神经网络中的通道
卷积神经网络中的通道理解:CNN中的通道介绍可以详细参考如下网址(小白级教程):https://blog.csdn.net/sscc_learning/article/details/79814146一般通道Channel的含义就是:每个卷积层中卷积核的数量。为了更进一步的理解,举个例子,图片使用的是来自吴恩达老师的深度学习课程。总结一下,一般把channels分为三种:1:最初输入图片样本的channels,取决于图片的类型,比如RGB2:卷积操作完成后输出的ou...原创 2020-12-08 16:46:38 · 1888 阅读 · 0 评论 -
交叉熵损失函数
交叉熵损失函数可以预测真实值和预测值之间的区别,通过loss值来判断预测模型之间的好坏。交叉熵损失函数经常用于分类问题中,特别是在神经网络做分类问题时,也经常使用交叉熵作为损失函数,此外,由于交叉熵涉及到计算每个类别的概率,所以交叉熵损失函数几乎每次都是和sigmoid或者softmax函数一起使用。每个模型都是通过损失函数计算的误差来判断模型的预测能力,损失函数小的代表模型的预测能力较强。改文章参考网址:https://blog.csdn.net/qq547276542/article/detai原创 2020-12-08 16:37:00 · 528 阅读 · 0 评论