一、深度学习的意义
1.全连接网络
链接权过多,算的慢,难收敛,同时可能进入局部极小值,也容易产生过拟合问题,例如
输入为1000 × 1000图像,隐含层有1M个节点。
为解决算的慢的问题,减少权值连接,每一个节点只连到上一层的少数神经元,即局部连接。络。
解决浅层全连接网络拟合效果不好、权值过多的问题:信息分层处理,每一层在上层提取特征的基础上获取进行再处理,得到更高级别的特征。
1.2深度学习平台简介
二、卷积神经网络
1、进化史
2、基本概念——特征提取
注意,图像卷积时,根据定义,需要首先把卷积核上下左右转置。此处卷积核(黄色)是对称的,所以忽视。
填充(Padding),也就是在矩阵的边界上填充一些值,以增加矩阵的大小,通常用0或者复制边界像素来进行填充。
卷积NN的BP算法:卷积层+卷积层
卷积NN的BP算法:卷积层+全连接层