1、卷积神经网络作用:先对原始图片提取特征后,再送入全连接网络
2、卷积过程:
用一个正方形的卷积核,遍历图片上的每个点,对应点相乘,再相加,最后加上偏置。
输出图片大小=(输入图片边长-卷积核大小+1)/步长
3、padding
若要保持输出图片大小和输入图片大小相同,则要用全0填充。(在原来图片的基础上,外面填一圈)
此时,输出图片大小=输入图片边长/步长
因此可得出以下公式来求输出图片边长:
4、tensorflow计算卷积
对于通道为3的图片,卷积运算为:
先卷积求出3个3*3的矩阵,再把3个矩阵对应元素相乘,最后加上偏置,得到输出矩阵中的一个值。
5、池化
池化作用:用来减少特征数量
1)最大池化:可以提取图片特征
2)均值池化:可以保留背景特征
6、dropout
在神经网路训练中,以一定概率将一部分神经元失活,避免过拟合。
而在测试的时候,不能失活,就全部恢复。