**
昨天用DNN
今天CNN
首先拉成一维向量,网络结构与1616,100100,不能适配,
神经元一多直接爆炸,螺旋起飞
卷积的简化:
使像素部分链接,权值共享,下采样
计算量降数量级
先取小图像,滑动窗口,把每个小块算了一遍,从头到尾,神经元的权重都使那一部分
下采样:
卷积计算:
卷积核,而不是滤波器,因为要学值,而不是给定(尺寸是给定的,炼丹)
分类任务一般接全连接层
卷积大大减少了模型参数量
特征多了,多加卷积核
一个卷积核提取一种特征
多个提取多个
pooling
最大池化:左上,右上,左下,右下,每四个取最大值
平均池化:左上,右上,左下,右下,每四个取平均值
应用实例:
先取一部分区域,卷积,池化
在特征图上再取区域,卷积,池化
池化:降参数(个人:模糊化)
大佬的丹方:
这个的介绍可以回去听
分类比图像检测更精确
原理还是梯度下降
怎样挑优化器,一般都集成,有一个很好的逃离鞍点的论文几千引用
后面是实践:
飞桨api的,,,接口文档
学习率:直接搜就能找到**