网络构建:
1.全连接层
2.卷积层:提取特征
(1.)卷积核深度(通道数)等于输入图片的通道数
卷积核通道数=输入通道数
(2.)输出通道数=卷积核个数(每层卷积核的个数在设计网络时会给出)
3.池化层:提取特征后缩小(池化层在卷积层后可以取最大值实现对数据量的缩小)
4.激活函数
5.BN操作(批标准化):防止学习过程中梯度消失(当输出值较大或较小时,sigmoid函数就会进入饱和区域,导致其导数几乎为0)
网络构建:
1.全连接层
2.卷积层:提取特征
(1.)卷积核深度(通道数)等于输入图片的通道数
卷积核通道数=输入通道数
(2.)输出通道数=卷积核个数(每层卷积核的个数在设计网络时会给出)
3.池化层:提取特征后缩小(池化层在卷积层后可以取最大值实现对数据量的缩小)
4.激活函数
5.BN操作(批标准化):防止学习过程中梯度消失(当输出值较大或较小时,sigmoid函数就会进入饱和区域,导致其导数几乎为0)