全连接网络问题
链接权过多,算的慢,难收敛,同时可能进入局部极小值,也容易产生过拟合问题。
解决算的慢问题
:减少权值连接,每一个节点只连到上一层的少数神经元,即局部连接网络。
解决浅层全连接网络拟合效果不好、权值过多的问题:网络变深变窄。
信息分层处理,每一层在上层提取特征的基
础上获取进行再处理,得到更高级别的特征。
网络功能概念
卷积神经网络
卷积核-特征提取
对于所有的下一层节点,卷积核都是一样的,也就是权值相同。
填充和步长
填充(Padding),也就是在矩阵的边界上填充一些值,以增加矩阵的大小,通常用0或者复制边界像素来进行填充。
步长(Stride),就是两次卷积之间间隔的步数。
多通道卷积
输入张量是三维的,卷积核也是三维的,对应位置数进行卷积,得到二维的输出张量。
池化
在输入张量某个区域内,使用局部统计特征,如均值或最大值作为输出。解决特征过多问题。
基本结构
由多个卷积层和下采样层构成,后面可连接全连接网络。
bp算法改动
前向传播
反向传播
按权重回传即可
基本神经网络
LeNet-5
C3层卷积时用到了三维卷积,但是第三个维数是这样排布的
AlexNet
AlexNet-出现“多个卷积层+一个池化层”的结构
VGG-16
-网络规模进一步增大,参数数量约为1.38亿
-由于各卷积层、池化层的超参数基本相同,整体结构呈现出规整的特点。
AlexNet