输入:shape(2,1)
中间层:shape(3,1)
输出:shape(2,1)
因此:W0.shape():(3,2),W1.shape():(2,3)
即W0.dot(X0)—>X1, W1.dot(X1)----->X2
BP神经网络(back propagation …):神经网络的反向传播,目的是更新参数,w1,w2,w3,w4,w5,w6,使得损失值越来越小。比如误差计算为e1, e1对w1的导数为0.12,则更新w1:=w1 - lr*0.12
神经元:就是隐藏层中的每一个小圆圈,简单的神经网络中所有的输入都会链接他。cnn是只有部分的点跟他链接。如下图,红色,黑色,等他们权值一样.
神经元和卷积核要分清
对于多通道的图片进行卷积,1.有几个通道就要有几个卷积通道. 2.有几个卷积核就有几个特征层.
记住特征矩阵经过padding后,然后池化后size大小计算。
拉平,当有两个特征层时,拉平后连接在一起。
要注意卷积核的数量