吴恩达 卷积神经网络

 

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：