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:
- 权值太多,计算量太大
- 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:
- max-pooling
- mean-pooling
- 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。