本文详细探讨了卷积神经网络（CNN）的卷积层如何进行反向传播，解释了CNN反向调整参数的过程，以及与传统反向传播算法的区别。通过对神经网络中反向传播算法的公式推导，帮助读者理解CNN的训练机制。同时，文章提到了CNN在多分类任务中使用Softmax而非RBF作为输出层的原因，并讨论了深度学习近年来在语音识别和图像识别等领域取得的进展及背后的技术驱动因素。
如何对CNN网络的卷积层进行反向传播
在多分类中，CNN的输出层一般都是Softmax。RBF在我的接触中如果没有特殊情况的话应该是“径向基函数”（RadialBasisFunction）。
在DNN兴起之前，RBF由于出色的局部近似能力，被广泛应用在SVM的核函数中，当然也有我们熟悉的RBF神经网络（也就是以RBF函数为激活函数的单隐含层神经网络）。
如果说把RBF作为卷积神经网络的输出，我觉得如果不是有特殊的应用背景的话，它并不是一个很好的选择。至少从概率角度上讲，RBF没有Softmax那样拥有良好的概率特性。
如果题主是在什么地方看到它的源代码并且感到困惑的话，可以贴上源链接一起讨论一下。
的定义和计算公式参考：/link?url=7LE6KImv5IveCM90JcnctlgVY7OgCd7E_G0Yv0vyTfV3P8S3Q_rZU3CM6f0udS-b6ux2w-hejkOrGMkmj8Nqba。
谷歌人工智能写作项目：神经网络伪原创
卷积神经网络是如何反向调整参数的？
卷积神经网络反向传播和bp有什么区别
如何理解神经网络里面的反向传播算法
反向传播算法（Backpropagation）是目前用来训练人工神经网络（ArtificialNeuralNetwork，ANN）的最常用且最有效的算法。
其主要思想是：（1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达
最低0.47元/天 解锁文章
扫一扫
533
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
