卷积神经网络

最新推荐文章于 2023-09-24 21:27:05 发布

aimicm

最新推荐文章于 2023-09-24 21:27:05 发布

阅读量192

点赞数

本文链接：https://blog.csdn.net/aimicm/article/details/104382499

版权

卷积网路基础

二维卷积，基本算法，对应相乘再加和
在这里插入图片描述

填充与步幅
一般是在外圈做操作，补0
步幅是kernel 移动的大小
多输入通道
多输出通道
输出通道的卷积核，我们提供这样一种理解，一个 ci×kh×kw 的核数组可以提取某种局部特征，但是输入可能具有相当丰富的特征，我们需要有多个这样的 ci×kh×kw 的核数组，不同的核数组提取的是不同的特征。
1x1 卷积
1x1卷积核的互相关计算。输入和输出具有相同的高和宽。
1×1 卷积核可在不改变高宽的情况下，调整通道数。1×1卷积核不识别高和宽维度上相邻元素构成的模式，其主要计算发生在通道维上。假设我们将通道维当作特征维，将高和宽维度上的元素当成数据样本，那么1×1卷积层的作用与全连接层等价。
池化
池化层主要用于缓解卷积层对位置的过度敏感性

LeNet 模型

基本构成，卷积+ 池化+全连接
卷积层，kernel 5x5，激活函数 sigmoid，
pool 层，平均池化
AlexNet

8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。
将sigmoid激活函数改成了更加简单的ReLU激活函数。
用Dropout来控制全连接层的模型复杂度。
引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合
主要的变化，采用小卷积核，relu激活函数 dropout方式。
VGG网络结构

VGG：通过重复使⽤简单的基础块来构建深度模型。
Block:数个相同的填充为1、窗口形状为 3×3 的卷积层,接上一个步幅为2、窗口形状为 2×2 的最大池化层。
卷积层保持输入的高和宽不变，而池化层则对其减半。

常见的网络结构： VGG16 VGG19

关注