CNN实现的一些层的作用

最新推荐文章于 2022-12-21 09:29:53 发布

qq_33761777

最新推荐文章于 2022-12-21 09:29:53 发布

阅读量1.2k

点赞数 1

本文链接：https://blog.csdn.net/qq_33761777/article/details/109669684

版权

flatten层的作用
作用：
Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。
卷积过程动图
图像上的卷积：如果想提取图像的不同特征（颜色深浅或轮廓），则用不同的滤波器filter。
每个卷积核的深度和输入的深度相同，卷积核的个数和输出深度相同。

CNN详解：（很详细，以下为梗概笔记）
具体说来，卷积层和全连接层（CONV/FC）对输入执行变换操作的时候，不仅会用到激活函数，还会用到很多参数，即神经元的权值w和偏差b；而ReLU层和池化层则是进行一个固定不变的函数操作。卷积层和全连接层中的参数会随着梯度下降被训练，这样卷积神经网络计算出的分类评分就能和训练集中的每个图像的标签吻合了。

2.1.7 用矩阵乘法实现卷积中，输出结果是963025 ，代表96个卷积核，每个卷积核在3025个位置的输出，227227深度为3的图经过卷积核的滑动位置有55*55个。输入是363（一个位置打平后的列维度）3025（滑动可产生的位置个数）权重96（核的个数）363（11113࿰