这次感觉就是着重于整个预测的流程?!最近倒是要用到CNN,简单做一下CNN相关知识的笔记好了。
卷积神经网络CNN的结构
一般包含这几个层:
1)输入层:用于数据的输入
2)卷积层:使用卷积核进行特征提取和特征映射------>可以多次重复使用
3)激励层:由于卷积也是一种线性运算,因此需要增加非线性映射(也就是激活函数)
4)池化层:进行下采样,对特征图稀疏处理,减少数据运算量----->可以多次重复使用
5)Flatten操作:将二维的向量,拉直为一维的向量,从而可以放入下一层的神经网络中
6)全连接层:通常在CNN的尾部进行重新拟合,减少特征信息的损失----->DNN网络
总体而言,卷积层提取特征,池化层选择特征,全连接层进行分类
卷积过程中的通道数变化
这个是我最近要用到的一个知识。通道数关系如下:
CNN的卷积核通道数 = 卷积输入层的通道数
CNN的卷积输出层通道数 = 卷积核的个数
另参照卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习)
这里各类参数讲的都比较清楚