本文介绍了TensorFlow中卷积神经网络（CNN）的常见技巧，包括深度可分离卷积、数据增强和迁移学习。探讨了CNN的结构特点，如卷积层、池化层及其在分类和物体分割任务中的应用。同时，阐述了卷积操作的作用，如局部连接、参数共享和padding，以及池化操作的目的。文章还详细解释了深度可分离卷积的原理，指出其在减少计算量和提升效率方面的优势，并通过10monkeys实战案例展示了迁移学习的应用。
一 常见技巧：
卷积神经网络：卷积操作，池化操作
深度可分离卷积：用精度损失换取速率提升
数据增强
迁移学习
二 结构特点：
卷积神经网络：
(卷积层 + 池化层) * N + 全连接层 * M
分类任务
全卷积神经网络：
(卷积层 + 池化层) * N + 反卷积层 * M
由于反卷积层的存在，可以使得输入输出的尺寸一样大，可用于物体分割
三 卷积操作
解决的问题：
全连接神经网络参数过多，难以计算，而且容易过拟合。
局部连接：图像的区域性。
参数共享：图像特性与位置无关，脸在图片的哪个地方都是脸。
padding：在外圈补0，可以使输入输出size一致
处理多通道
四 池化操作
用于减少计算量，最大程度保存信息
不重叠不补零
参数为步长和池化核的大小，没有用于求导的参互是
一定程度的平移鲁棒（如果图像进行微小的平移，那么先进行池化操作的话，可以保存周围的信息，所以稍后用卷积得到特征就会相同。不然的话，进过细微平移后的图片会产生不同的特征核）
损失零空间位置精度
五 深度可分离卷积
启发于google的Inception v3模型
不同是视野域，提升效率。
引入深度可分离卷积：
图(a)代表标准卷积。
假设输入特征图尺寸为，卷积核尺寸为，输出特征图尺寸为，标准卷积层的参数量为。
图(b)代表深度卷积
图(c)代表逐点卷积，两者合起来就是深度可分离卷积。
深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；
逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。
深度卷积参数量为 ，逐点卷积参数量为 ，所以深度可分离卷积参数量是标准卷积的。
六 10monkeys实战
迁移学习：使用其他任务中训练好的模型参数去
最低0.47元/天 解锁文章
8821
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
