卷积神经网络,是深度学习网络的一个分支,常用于硬件。
输入层:输入图像
卷积层:特征提取 用来识别这些特定线条 对应人眼看线条 https://ujwlkarn.files.wordpress.com/2016/08/giphy.gif?w=748
池化层:降低尺寸 用来减小图像的数据量,提升识别效率 对应将看到的线条进行组装
全连接层:计算并输出 做最后的识别判断 对应人眼识别组装后的图像
下一步:搞定流程性的工作,卷积和池化等采样方法的原理,或者各种激活函数优化方法的选择(也就是尝试数据),必须搞明白。
流程:输入一个矩阵,做卷积(激活)运算,是做特征提取,可将低维特征抽象到高维特征,池化这些特征数据做采样。全连接是将所有层的输出连接起来,是对数据特征空间做线性变换等等。
低维数据特征:一个猫的具体细节特征(线条)
高维:猫类共同特征
输入一个矩阵进去,经过各种各样线性非线性卷积池化变换,最后为什么会得到这样的输出,神经网络(nn)内部是发生了什么?根本原理如何?诸如此类问题,搞不明白是正常现象,算法本身即黑箱模型。