深度学习:局部响应值归一化(Local Response Normalization,LRN)

Local Response Normalization (LRN)是深度学习中的一种技术,用于提升网络训练的准确性。它在激活和池化层后进行,模仿生物神经元的侧抑制现象。AlexNet首次引入LRN层,其计算公式包括超参数K, n, alpha, beta等。此外,AlexNet还引入了ReLU激活函数、Dropout和重叠最大池化,这些技术共同推动了深度学习的发展。" 70140227,1395292,媒体网关:MGCP与Megaco/H.248详解,"['通信协议', '网络通信', '媒体转换', '语音通信', 'IP通信']
摘要由CSDN通过智能技术生成

局部响应归一化
Local Response Normalization(LRN)技术主要是深度学习训练时的一种提高准确度的技术方法。
LRN一般是在激活、池化函数后的一种方法。
在ALexNet中,提出了LRN层,对局部神经元的活动创建竞争机制,LRN仿造生物学上活跃的神经元对相邻神经元的抑制现象(侧抑制)。

Hinton在2012年的Alexnet网络中给出其具体的计算公式如下:

在这里插入图片描述
公式看上去比较复杂,但理解起来非常简单。i表示第i个核在位置(x,y)运用激活函数ReLU后的输出,n是同一位置上临近的kernal map的数目,N是kernal的总数。参数K,n,alpha,belta都是超参数,一般设置k=2,n=5,aloha=1*e-4,beta=0.75。

AlexNet将LeNet的思想发扬光大,把CNN的基本原理应用到了很深很宽的网络中。AlexNet主要使用到的新技术点如下。

(1)成功使用ReLU作为CNN的激活函数,并验证其效果在较深的网络超过了Sigmoid,成功解决了Sigmoid在网络较深时的梯度弥散问题。虽然ReLU激活函数在很久之前就被提出了,但是直到AlexNet的出现才将其发扬光大。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值