ubuntu之路——day17.4 卷积神经网络示例

以上是一个识别手写数字的示例

在这个示例中使用了两个卷积-池化层，三个全连接层和最后的softmax输出层

一般而言，CNN的构成就是由数个卷积层紧跟池化层再加上数个全连接层和输出层来构建网络。

在上述网络中可以看到一个有关参数的现象如下图：

随着卷积网络层数的增加，可以看到有关图片数据的height和weight都在减小，而信道channel在增加。

伴随着这种操作，激活层的大小也在减小。但是卷积层需要的参数量在增多(f x f + 1) x c，f为filter的大小，c为channel的数量

在全连接层中，需要的参数量为上一层的特征数量x这一层的单元数量。

 

转载于:https://www.cnblogs.com/NWNU-LHY/p/11250959.html