摘要
本文主要介绍CNN的架构设计,首先提出为什么使用CNN而不是用fully connected进行影像识别,通过对影像的观察提出三种简化参数的方法,用两种介绍方式(neuron version story和filter version story)来介绍CNN;最后介绍CNN的应用,比如下围棋。
classification( 分类)
即找一个方程,输入为X,输出为N个case的哪一个。
在这里举例神奇宝贝的分类问题:
怎样做分类呢?
1.Training data for classification
如果把classification当做regression的问题来解决的话,会遇到问题:
对于绿色function(在线上y=0,左上y<0,右下y>0)来说,右下角的数据远大于1,对regression来说是错的,为了减小错误对于regression来说紫色的是好的function,但是对classification不合适。
理想的做法是:
prior:计算p(c1)p(c2)出现的几率
红色区域代表水系的神奇宝贝的几率比较大,蓝色的则小。
如果用三个分类做例子,