深度学习Deep learning

系列文章目录

第三章 CNN 卷积神经网络&Pooling 池化

---

提示：

---

前言

提示：

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、CNN

卷积神经网络是近年发展起来，并广泛应用于图像处理，NLP等领域的一种多层神经网络。
传统BP处理图像的问题：

1. 权值太多，计算量太大
2. 权值太多，需要大量样本进行训练

二、CNN作用

1.局部感受野和权值共享

CNN通过局部感受野和权值共享减少了神经网络需要训练的个数
局部感受野：相当于人眼睛看一篇文章，只能获取一行的信息，不能同时获得整篇文章的信息。

2.卷积核（滤波器）

卷积核相当于权值w，通过训练可以得到提取特征能力较强的卷积核。

3.Pooling池化

池化常用的三种方式：

1. max-pooling
2. mean-pooling
3. stochastic pooling

三、RNN

RNN称循环神经网络，它是一种序列模型。比如卷积网络是专门处理网格化数据（例如图像数据）的神经网络，RNN是专门用来处理序列数据的神经网络。比如：一首歌曲，一段文字，一段录像，一段语音等。

---

总结

我会不定期更新我的所有文章，会把我学习过程中觉得不错的内容不定时添加进去，希望大家可以收藏，或许每次看到更新的内容都有不同的理解。并且我会发布（深度学习&强化学习&深度强化学习&联邦学习）的内容，目前更新不完善，但是我会一直更新下去。