本文详细介绍了如何利用卷积神经网络（CNN）搭建手写字体识别模型，包括卷积层、池化层的运用，以及网络结构的设计，最终实现从32×32 RGB图像到10个数字类别识别的转换。
本文重点
我们学习了卷积神经网络中的卷积层和池化层，这二者都是卷积神经网络中不可缺少的元素，本例中我们将搭建一个卷积神经网络完成手写字体识别。
卷积和池化的直观体现
手写字体识别
手写字体的图片大小是32*32*3的，它是一张 RGB 模式的图片，现在我们想识别它是从 0-9 这 10 个字中的哪一个，我们构建一个神经网络来实现这个功能。
第一个卷积层
过滤器大小为 5×5，步幅是 1，padding是 0，过滤器个数为 6，那么输出为 28×28×6。将这层标记为 CONV1，它用了 6 个过滤器，增加了偏差，应用了非线性函数 ReLU，最后输出 CONV1 的结果。
第一个池化层
然后构建一个池化层，使用最大池化的方式。参数 f= 2， s= 2，因为 padding 为 0，表示高度和宽度会减少一半。因此，28×28 变成了 14×14，通道数量保持不变，所以最终输出为 14×14×6ÿ
订阅专栏 解锁全文
1195
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
