卷积神经网络

本文探讨了全连接神经网络在处理高维图像数据时参数过多的问题,指出卷积神经网络(CNN)因其局部连接和权值共享特性,能有效减少模型复杂性。CNN通过卷积层、池化层和下采样等技术,对图像进行特征提取,尤其适用于图像识别和分类任务。同时,介绍了maxpooling的作用以及Flatten层如何将特征图展平为一维向量,为后续的全连接层做准备。文章还触及了CNN的学习过程,寻找最大化激活的样本点。
摘要由CSDN通过智能技术生成

常用解决图像问题

全链接神经网络参数太多 比如一个图片100*100*3 (特征太多了)

CNN 比DNN的模型要简单

CNN 只要处理图片的一小块就好,比如鸟嘴。

图像可以做 subSampling

 

CNN

 

Convolution

 

 

Stride 是filter 移动的距离

 

有几个filter 就会有几个 feature map

filter 可以看成简单的layer

 

 只链接了9个input

max pooling

 

 

Flatten

把feature map 拉直

CNN怎么学习

找一个x 让a^k 最大

 x 是sample 

 

 

 

 

 

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值