卷积神经网络学习2

经典结构:
感受野:类似神经元只接受其所支配的刺激区域内的信号。
这里写图片描述

分布式表示:每个语义概念由许多分别在不同神经元中被激活的模式表示,而每个神经元又可以参与到不同的语义概念的表示中去。即“分布式表示”与神经元是一个多对多映射。如输入图像为224*224,最后一层汇合层可得到7*7*512的响应张量,512为最后一层卷积核的个数,对应了512个不同的卷积结果(512张特征图或通道)。对于某个模式,会有不同卷积核产生相应,对于某个卷积核,会在不同模式上产生响应。

经典网络案例:Alex-Net    VGG-Nets   NIN   残差神经网络。

CNN的压缩:
CNN虽然效果很好,但过大的参数量不适用于实际应用。研究表明,CNN面临着严峻的过参数化(模型内部参数存在着巨大的冗余),Denil等人发现,只给定很小一部分参数子集(约全部参数量的5%),便可完整地重构出剩余参数,揭示了模型压缩的可行性。但参数冗余在模型训练阶段是必须的。
前端压缩:不改变网络结构的压缩技术,主要包括知识蒸馏、紧凑的模型结构设计、滤波器层面的剪枝。只改变网络层数或滤波器个数。
后端压缩:包括低秩近似、未加限制的剪枝、参数量化、二值网络。改变了网络结构。

Alex-Net网络:
AlexNet有5个卷积层和3个全连接层,作者发现移除任意一层都会降低最终的效果。网络结构如图:
这里写图片描述
具体说明参考:https://blog.csdn.net/zyqdragon/article/details/72353420

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