3.1基础原理
3.1.1发展历史
3.1.2卷积和全连接网络对比
1.1.1全连接层的缺点
- 参数太多,权值太多,特征太多就会是资源的浪费
- 没有利用像素之间位置信息,对图像识别任务来说,每个像素与周围的像素都是联系比较紧密的.
- 层数的限制
1.1.2对全连接层的改进
我们在全连接层之前加入隐藏层,让参数变的比较少
3.1.3结构分析
1.基本结构
2.结构详介
神经网络的基本组成包括输入层,隐藏层,输出层.卷积神经网络将我们的隐藏层分成了卷积层和池化层(下采样层).
卷积层:通过在原始图像上进行平移提取特征.
我们可以把卷积层看成是一个变色眼镜,不同的核函数代表不同的变色眼镜,我们可以
池化层:通过特征系数参数来减少学习的参数,降低网络的复杂度(最大池化和平均池化.)
3.1.4API介绍