【待完善】卷积神经网络#李宏毅机器学习Part6

最新推荐文章于 2025-01-24 16:55:22 发布

CHENYUZ-hub

最新推荐文章于 2025-01-24 16:55:22 发布

阅读量646

点赞数

分类专栏：机器学习-李宏毅文章标签： cnn 机器学习深度学习

本文链接：https://blog.csdn.net/baidu_37356080/article/details/122645875

版权

机器学习-李宏毅专栏收录该内容

6 篇文章 0 订阅

订阅专栏

常见CNN架构

池化操作

展平层

Deep Dream和Deep Style

应用

Ref

常见CNN架构

所以整个CNN的架构是这样的，首先input一张image以后，这张image会通过convolution layer，接下里做max pooling这件事，然后在做convolution，再做max pooling这件事。这个process可以反复无数次，反复的次数你觉得够多之后，(但是反复多少次你是要事先决定的，它就是network的架构(就像你的neural有几层一样)，你要做几层的convolution，做几层的Max Pooling，你再定neural架构的时候，你要事先决定好)。你做完决定要做的convolution和Max Pooling以后，你要做另外一件事，这件事情叫做flatten，再把flatten的output丢到一般fully connected feedforward network，然后得到影像辨识的结果。

卷积和全连接对比

convolution就是fully connected layer把一些weight拿掉了。经过convolution的output其实就是一个hidden layer的neural的output。如果把这两个link在一起的话，convolution就是fully connected拿掉一些weight的结果。

池化操作

convolution + max pooling

展平层

Deep Dream和Deep Style

Deep Dream是说：如果你给machine一张image，它会在这张image里加上它看到的东西。咋样做这件事情呢？你先找一张image，然后将这张image丢到CNN中，把它的某一个hidden layer拿出来(vector)，它是一个vector(假设这里是：[3.9, -1.5, 2.3...])。接下来把postitive dimension值调大，把negative dimension值调小(正的变的更正，负的变得更负)。你把这个(调节之后的vector)当做是新的image的目标(把3.9的值变大，把-1.5的值变得更负，2.3的值变得更大。然后找一张image(modify image)用GD方法，让它在hidden layer output是你设下的target)。这样做的话就是让CNN夸大化它所看到的东西，本来它已经看到某一个东西了，你让它看起来更像它原来看到的东西。本来看起来是有一点像东西，它让某一个filter有被active，但是你让它被active的更剧烈(夸大化看到的东西)。