卷积的公式
要逆转一下然后点乘
卷积后的图像大小
同时如果我们在mm大小的图像用nn的卷积核之后会得到(m+n-1)平方大小的图像
Faltung anschaulich
卷积后图像看上去确实没什么变化,会把重要特征都保留下来
缺少一个图
为什么要用CNN
用KNN的话就会需要很多的w
100个像素点的话每一个Neuron在第一层就会有100个w。50个Neuron的话就5000个w,而且不是每个图像点都有用
而且也有可能会有很多相似的特征
Pooling
Max Pooling
Mean Pooling
Faltung im Detail
RGB三层,用一个FILTER,也就是3层变1层
STRIDE
卷积层每次移动的步数
m=7,n=3
Stride 2
(7-3)/2+1=3
Padding
在输入图像四周补像素,用于重视图像边界,不过有可能增加图像不存在的特征
Dropout
减少Overfitting
每一次训练不训练全部neuron
作用:减少neuron之间的关联
Initialisierung der Gewichte
Random Initialiyation
Fixed Feature Extractor
Fine-Tuning von trainiertem Netz (meist frühe Schichten)
Pretrained Initialization von trainiertem Netz (nur Initialisierung