之前的神经网络是全连接网络,需要把输入图片拉伸为一维向量,然后和W进行点乘,得到10个得分。
但是,把图像拉伸为一维向量会失去它的空间特征,而卷积神经网络能解决空间特征的问题。
在卷积层中,卷积核一般是f*f*c的形式,其中c是输入的深度。
进行卷积运算其实就是卷积核在输入上滑动时,求卷积核和输入的点积。
上面蓝色的卷积核能得到蓝色的激活图(activation map),再来一个绿色的卷积核就能得到绿色的激活图。
每一个卷积核获取一种特征,得到一张激活图。所以输出的深度和卷积核的个数相等。
卷积网络就是一系列的卷积层,每个卷积层后面都有一个激活函数(比如这里的ReLu)。
可以看到,较低层的卷积核代表一些低阶的图像特征,比如边缘;中间层则是低阶特征的
【深度之眼cs231n第七期】笔记(十)
最新推荐文章于 2022-08-02 19:47:18 发布
卷积神经网络(CNN)通过卷积层保留图像的空间特征,每个卷积核获取特定特征,形成激活图。网络从简单到复杂学习特征,用于分类。CNN框架包括卷积层、ReLU激活、池化层和全连接层。较低层捕获边缘等低阶特征,高层处理复杂特征。卷积层参数计算和池化层的作用也在介绍之中。
摘要由CSDN通过智能技术生成