卷积神经网络基础
1. 卷积神经网络(CNN)
2.全连接层
3.卷积层
(1)卷积核的channel与输入特征层的channel相同
(2)输出的特征矩阵channel与卷积核个数相同
(3)加上偏移量bias如何计算?输出特征矩阵每个元素直接加上bias
(4)加上激活函数该如何计算?
(5)卷积过程中出现越界如何处理?Padding
(6)在卷积操作过程中,矩阵经卷积操作后的尺寸由以下几个因素决定:
① 输入图片大小 W×W
② Filter大小F×F
③步长S
④padding的像素P
经卷积后的矩阵尺寸大小计算公式为:N = (W-F+2*P)/S+1
4.池化层
目的:对特征图进行稀疏处理,减少数据运算量
MaxPooling下采样层
AveragePooling下采样层
特点:没有训练参数
只改变特征矩阵的w和h,不改变channel
一般poolsize和stride相同
5.误差的计算