图像分类模型设计总结

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