Convolutional Neural Network 卷积神经网络
一种深度学习模型或类似于人工神经网络的多层感知器,常用来分析视觉图像。
Input layer 输入层
Convolutional layer 卷积层
卷积层输出的尺寸:
输出宽度:(W-Fw+2P)/S + 1
输出高度:(H-Fw+2P)/S + 1
其中,W :输入图像的宽度
H :输入图像的高度
Fw :滤波器或内核的宽度
Fh :滤波器的高度
P :填充
S :步长
卷积层输出的通道数等于卷积操作期间使用的滤波器的个数
polling layer 池化层
池化层用于在卷积神经网络上减小特征空间维度,但不会减小深度。
平均池化(average pooling)
最大池化(max pooling)
Non-linearity Layer 非线性层
在非线性层中,一般使用ReLU激活函数,而不是使用传统的Sigmoid或Tan-H激活函数。
对于输入图像中的每个负值,ReLU激活函数都返回0值,而对于输入图像中的每个正值,它返回相同的值
Fully Connected Layer 全连接层
在全连接层中,将最后一个卷积层的输出展平,并将当前层的每个节点与下一层的另一个节点连接起来。
感受野
为什么选择卷积?
卷积神经网络具有的参数会更少,因此就可以避免出现过拟合现象。
参考:
https://blog.csdn.net/qq_41727666/article/details/84622965