CNN提特征层的设计:搭积木
卷积神经网络与feature+MLP
img----(手工feature) ----feature------(MLP)-----结果
img-----(convs)----feature------(MLP)-----结果
没有手工部分:
a.特征更加符合结果需求
b.loss Function更加重要
c.提特征和决策同意后,整个模型的结构调整自由度非常大
搭积木似的去实现:
img----conv----other_layer—conv----new design lay----MLP----class_id
由于网络得到了加速,可以Multi_layer
img—conv—pool—conv—pool—conv----MLP-----output
前向计算中,积木块后面的网络output层,决定了网络的功能:
分类
检测
分割
理解任何一个模型:
1.前向计算部分
2,损失函数:mean square error:MSE cross enporty
3.反向传播部分
4.模型参数初始化
边验证边搭建模型
图片矩阵—提取特征-----线性模型决策----id----loss更新模型参数
图片矩阵—提取特征----MLP模型决策—onehot----id
图片矩阵----提取特征—MLP模型决策-----onehot—loss更新模型参数
图片矩阵----提取特征-----BP模型决策----onehot-----id
图片矩阵----提取特征—BP模型决策----onehot