卷积神经网络
*逍遥*
这个作者很懒,什么都没留下…
展开
-
卷积神经网络的权重参数详解
卷积层和全连接层具有权重系数,因此也被称为权重层;池化层不涉及权重,因此不属于权重层,在计算参数量时,不被计数。其中,卷积层权重的大小为卷积核的size X 卷积核的number(如:size为3x3x3,number 128,则权重为3x3x3x128);全连接层的权重为:前一层节点数×本层的节点数。以上都是不考虑偏置的前提下。...原创 2020-02-12 16:00:05 · 10109 阅读 · 2 评论 -
卷积神经网络的优点
优点:1.在卷积层所用的权重和偏置的参数较少,两个原因:(1)参数共享; ( 2)稀疏连接。2. 具有平移不变性,即使图片中的目标位置平移到图片另一个地方,卷积神经网络仍然能很好地识别出这个目标,输出的结果也和原来未平移之前是一致的。...原创 2020-02-01 19:10:38 · 18475 阅读 · 0 评论 -
卷积神经网络常见三层的介绍
卷积层:输入与滤波器做元素积,再求和,即得到输出中对应的一个元素(滤波器可以不翻转)。池化层:每个通道单独池化,其中,一个通道就代表所提取到的一种特征在图片中的分布,值越大,代表这种特征在该区域就越明显,值越小,代表这种特征在该区域几乎没有,池化后的输出也是保持这样。最常用的是 最大池化,其次是平均池化。注意:池化层没有参数要进行学习(更新),它只有超参数(人为设置),无权重矩阵和...原创 2020-02-01 17:24:16 · 4420 阅读 · 1 评论 -
卷积神经网络中某一层的工作原理示例
卷积神经网络所用的一些标记法原创 2020-02-01 15:33:27 · 166 阅读 · 0 评论 -
卷积神经网络之多个过滤器
每个过滤器都可以检测一个特征,所当我们要检测多个过滤器时,就需要多个过滤器,最后得到的图像的第三个维度等于顾虑器的个数,即为多个过滤器与原图像的卷积,再堆叠在一起。...原创 2020-02-01 14:48:24 · 2202 阅读 · 0 评论 -
卷积神经网络之卷积步长
其中,p是填充层数,s即为卷积时所走的步长原创 2020-02-01 14:13:06 · 2117 阅读 · 0 评论 -
卷积神经网络之Padding
填充能解决图像边缘的像素点(如左上角的)只被卷积一次的情况,相当于被忽略了,而中间像素点却可以被多次卷积的情况。两种Padding方式,1)Valid:代表不填充,即P=0;2)Same:代表填充后输出矩阵的大小与原矩阵保持一致,即P = (f-1)/2 ,其中过滤器的大小为 f X f。...原创 2020-01-31 16:45:31 · 641 阅读 · 0 评论 -
卷积神经网络之边缘检测
在卷积神经网络中,星号*代表卷积运算,其中3X3的矩阵代表滤波器(也叫核),有很多种,例如用于垂直边缘检测,还有水平边缘检测等等。上面用水平边缘检测得到的4X4的矩阵中,正数代表边缘上下的颜色分布和滤波器是一致的,例如30代表原始矩阵中所用到的3X3的部分是与滤波器的颜色分布一致。...原创 2020-01-31 16:04:35 · 1680 阅读 · 0 评论