三维认识
三维(RGB三色通道),
三维卷积
27个参数卷积每个元素对应相乘再求和,最终形成一个神经网络层
几个过滤器,决定了结果矩阵有几层。
举例 :
假如在你的单层神经网络中有10个3x3x3过滤器,那么在这个神经网络中有多少个参数?
单个过滤器包括27个个参数和1个偏差参数=28
一共 = 28 x 10 = 280个
卷积神经网络的特征 “避免过拟合”
卷积层的标记
= filter size, l 表示过滤器大小
= padding, 调整padding大小来控制输入和输出图像的大小关系
= stride,
= number of filters
input:
x
x
l-1带上上一层的激活值,H和W代表上一层输入的高度和宽度
output:
x
x
同理可计算出其它
Each filter is: x
x
Activations: (应用偏差和非线性函数之后,这一层的输出等于它的激活值)
是一个三维体
x
x
Weights: x
x
x
bias: - (1,1,1,
)
卷积神经网络示例
图像大小由39到37到17再到7,信道数量由3到10到20再到40,这将会是一个普遍的变化趋势。
一个典型的卷积神经网络通常有三层
- Convolution 卷积层(Conv)
- Pooling 池化层(Pool)
- Fully connected 全连接层(Fc)