卷积神经网络
卷积操作:
设输入n,filter为f,padding为p,步长(stride) 为s
则卷积(不满足结合律,满足结合律还需要对filter进行水平和垂直翻转)之后图像大小为 (n+2p-f)/s + 1 向下取整
RGB图像卷积操作:
同时相乘相加,三个channel输出一个值
为什么CNN可以避免过拟合?
A:一个有十个filter的一层,加上bias,一共只有280参数,无论输入图片多大,参数数量不变。
符号标记:
池化层的作用(pooling):减小模型大小,提高计算速度,提高提取特征的鲁棒性
种类:最大池化、平均(不常用,但在特别深的网络中7*7*1000->1*1*1000)
参数:filter大小f、stride、padding(极少用)
特点:只有超参数,计算固定,没有需要迭代计算的参数
信道:数量不变,经过池化操作后,信道数量不变(需要filter也有)
整体结构:卷积-池化->卷积-池化->平铺-全连接->全连接->softmax(logistic)
为什么使用卷积: