卷积神经网络(CNN)学习笔记

本文详细介绍了卷积神经网络(CNN)的关键概念,包括LeNet、AlexNet等经典网络结构,卷积层、激励层、池化层和全连接层的功能,以及ReLU等激活函数的作用。同时,讨论了CNN的训练算法、优缺点,并提到了权重初始化和批归一化等优化技巧。
摘要由CSDN通过智能技术生成

卷积神经网络(CNN)

Keywords:

常用网络:LeNet5 、AlexNet VGGNet、 GoogleNet、 ResNet、DenseNet

filter size

stripe

padding

参数共享机制

fine tuning

输入层、卷积层、激励层、池化层、全连接层、Softmax 输出层

一般CNN结构依次为:

CNN 层次结构

一个CNN 层级结构示意图:

CNN demo

卷积层:一组固定的权重和不同窗口内数据做内积,就是卷积

卷积层

激励层:

激励函数:

Sigmoid : f(x)=11+e(x) 函数很容易饱和, |x|10 梯度近似于0

Sigmoid

Tanh : f(x)=

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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