1,全链接层可以看作是一个线性变换nn.Linear(),再加一个激活函数层所构成的
2,全链接层的应用非常广泛,只有全链接层组成的网络是全链接网络,用于数据的分类和回归预测,积卷神经CNN网络和循环RNN神经网络的末端,通常会由多个全链接层组成
3,在图像处理的过程中,需要将像素数据转换为0~1之间的数据,并且将图像数据从形状为(H,W,C)转换为形状(C,H,W)
4,三种数据回归数据,分类数据,图像数据,需要准备的处理的时候分为两步骤:
a,数据的准备,b,定义数据记载器(目标数据,batch_size,是否打乱,几个进程)
5,transform.toTensor(),从opencv读到的图片是通道数在第三个维度,现在经过ToTensor操作cv2图片变成了torch image类型,也就是通道在第一个维度,同时将数据中的像素值转换到0~1之间的值。
6,卷积核的大小和图片的深度有关,原理是基于每个图片通道深度,需要有不同的深度的卷积和图片进行对应。通过卷积核的个数进行特征的提取,例如有两个卷积核心,那么我们最终就提取出了两个特征。
在计算的过程中,每一个卷积核,他的不同维度进行卷积之后,我们相加,最终形成了这个卷积核的特征
7,Filter是卷积核,Filter w0,w1是两个卷积核,在同一层中的卷积核必须是一样的,因为这样才可以进行堆叠(参看第二个图)
卷积核是什么?图片的进行卷积过程、全链接层、传统回归神经网络,toTensor()函数解释等内容总结
于 2022-01-24 20:50:16 首次发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)