cnn模型全称为卷积神经网络,是深度神经网络中最成功的DNN特例之一。cnn模型是由输入层、卷积层、池化层和全连接层构成的。cnn模型主要能实现特征的提取。一个cnn结构:输入→卷积→ReLU→卷积→ReLU→池化→ReLU→卷积ReLU→池化→全连接。
cnn模型常见用途
cnn模型常用的模型有:LeNet5、AlexNet、VGGNet(Visual Geometry Group)、Google Inception Net、微软ResNet残差神经网络和基于区域的CNNs。
1. LeNet5
用于识别支票上的手写数字。
2. AlexNet
对图片进行分类、定位和识别。
3. VGGNet(Visual Geometry Group)
一共有六种不同的网络结构,在训练高级别网络时,可先训练低级别的网络。
4. Google Inception Net
全新的深度学习结构。
5. 微软ResNet残差神经网络
解决梯度爆炸或梯度消失引起的不增反降,帮助训练更深的网络。
6. 基于区域的CNNs
解决物体检测问题。给定图像,在所有对象上绘制边界框。
cnn模型绘制方法
一幅专业又简洁的cnn模型可以通过以下五个步骤获得。
第一步:下载软件“亿图图示”安装并启动(或访问亿图图示网页版)。
第二步:新建cnn模型。在搜索框