本文详细介绍了卷积神经网络的基础知识，包括卷积层的单通道和多通道卷积，1x1卷积核的作用，如升维、增加非线性和跨通道信息交互。同时，讨论了池化层的功能和不同类型的池化方法。接着，文章探讨了ResNet网络结构，解释了如何通过残差块解决深度学习中的梯度消失问题，并提出了瓶颈结构以优化计算效率。最后，提到了手写数字识别的应用案例。
图片来自网络
绪
卷积神经网络分为输入层、隐层、输出层；隐层可分为卷积层和池化层。
特点：非全连接，权值共享。降低网络模型的复杂度，减少了权值的数量
1. 卷积层
1.1 单通道+单卷积核
输入图像大小为 5* 5，假设采用一个 3* 3的滤波器对其进行卷积，stride=1，输出图像的大小为 (5-3+1)* (5-3+1)=3* 3
1.2 多通道+多卷积核
输入图像大小为 7* 7* 3，
采用一个 （3* 3* 3）* 2的滤波器对其进行卷积，stride=1，
输出图像的大小为 ((7-3+1)* (7-3+1))* 2 = 5* 5* 2
总结：
输入通道数=卷积核通道数
输出通道数= 卷积核个数
所以通过改变卷积核个数改变了输出通道数
1.3 1*1卷积核作用
1.升维/降维
由于 1×1
最低0.47元/天 解锁文章
825
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
