卷积神经网络基本概念

 

 

   

1.数据输入层

2.卷积计算层  （卷积的计算 参数共享机制）

3.激励层（把卷积层输出结果做非线性映射）

4.磁化层（用于压缩数据和参数的量，减小过拟合，方法有 Maxpooling 和average pooling）

5.全连接层

 

 

卷积神经网络之训练算法

 1.同一般机器学习算法，先定义Loss function ,衡量和实际结果之间差距

2.找到最小化损失函数的W和b，  CNN中用的算法是（SGD）

 

卷积神经网络之优缺点：

优点

 1.共享卷积核，对高维数据处理吴压力

2.无需动手选取特征，训练好权重，即得特征，分类效果好

缺点

1.需要调参，需要大量样本，训练最好要GPU

2.物理含义不明确（也就说我们并不知道每个卷积层到底提取到的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”