- 博客(4)
- 收藏
- 关注
RSS订阅原创 经典卷积神经网络
引入了1×1卷积后明显降低了输出的厚度减少了大量的参数，加深了模型的深度提高了非线性表示能力，同时也实现了特征图跨通道的信息交融。但在原始版本的Inception模块中，由于使用了多尺度的并行卷积，经过一层Inception模块后输出的厚度是四个部分卷积核之和，比如：输入是28×28×256，三个尺度5×5、3×3、1×1的卷积操作分别含有96、192、128个卷积核，池化的输出为28×28×256，将这四个输出堆叠起来输出就变为28×28×（128+192+96+256）=28×28×672。
2023-06-03 10:21:39
73
原创 卷积神经网络的训练
比如一在个识别老虎的神经网络中，有些神经元是识别尾巴，有些神经元是识别耳朵，有些神经元是识别花纹等等，不同神经元识别不同的特征，每次训练中都会随机屏蔽掉部分特征的神经元，让神经元每次都与不同的神经元协作，避免了神经元之间的过分依赖。举一个简单的例子，原本VGG16是解决1000种分类问题，而我们只需要10种分类，我们就可以将VGG16的最后一层全连接层的1000个神经元改成10个神经元，冻结之前层的网络结构和权重参数。如果我们的数据集较大，则可以多向前训练几层，但底层模型的结构和权重还是冻结住的。
2023-06-03 10:12:17
1132
原创 卷积神经网络原理
在卷积层中，每一个卷积核都会输出一个特征图，随着卷积核的增加，特征图的通道数也会越来越多，这样特征图的参数量就会越来越大，经过多层卷积之后参数量就会非常庞大。如1.5所示5×5的矩阵与3×3的卷积核运算后输出的特征图为3×3，输出的特征图维度小于原图，若经过多次卷积运算后特征图就会变得非常小。卷积操作的目的就是将原图中符合卷积核特征的特征提取出来，卷积核相当于定义了一个特征，卷积的操作就相当于在原图上检索提取定义的特征，如果原图上某一部分符合卷积核定义的特征，那么卷积后该部分的取值就会很高。
2023-06-03 09:55:33
98
原创 人工神经网络原理
将人类神经元结构进行数学的抽象就形成了感知器模型：将各个方向的输入与之对应的权重相乘，这个过程就类比于人类神经元的树突。各数据与权重相乘后求和再加上偏置项，再对这个值进行处理并判断是否激活，激活与否由激活函数决定，常用的激活函数有sigmoid、relu等，这个过程就类比于人类神经元的细胞体结构，最后的输出就类比于轴突结构。真实的人类神经网络十分复杂，上述部分只是对神经元的简单抽象，要想实现人类神经网络的功能，就需要将多个感知器堆叠起来形成神经网络。
2023-06-03 09:42:25
118
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人