目录
AlexNet
2012年AlexNet被提出,如果将隐藏层看做黑盒的话,输入有大概15万个特征,输出有5万个特征
其中有8层网络,不算池化层,有8层。5层卷积层和三层全连接层
LRN-局部响应规范,横向局部抑制,找出所有层相同位置,比较大小,取最大的那一层,在这一层的周围使用公式计算出值,越大的值会越大,越小的值就受到抑制。
K:超参,n:影响通道数,实践证明BN比LRN的效果更好
LRN的原理
图像识别的输出值,最大的概率是0.99,其他的值加起来为0.01比最大概率是0.8,其他值加起来是0.2的效果好
ZFNet
2013年被提出
AlexNet是否能够通过调参变得更好,
通过调整卷积核大小 和增加maxpooling 的步长,使得特征值变得更加光滑
VGGNet
2014年被提出,深度学习出现了特征框架和大的网络,vgg是通过调参和增加层数得到的最优,大概这是调参的极限了,如果想要获得更好性能,估计要进行网络结构改变,VGGnet是卷积层和全连接层搭配达到极限,增加LRN效果一般。
vggnet有19层,常用的是vggnet16.