深度学习——分类任务

1.全连接 

1图片的输入方式

法1.将图片拉直

 但拉直会使参数量过多，导致过拟合

法2.卷积神经网络 revolution 

涉及的概念 卷积核，特征图，神经元的感受野：卷积核的大小

通过卷积核与图片卷积得到特征图；

每次卷积得到的特征图都会变小，为了保持不变引入zeropadding 补零，在原始图片加上一圈的0

有五个卷积核就可以得到五张特征图，若再想卷积，可以利用这五张特征图叠加一起（为什么五张特征图叠加一起可以作为一张特征图），作为一张特征图继续卷积。

特征图和卷积核的计算：

特征图怎么变小：

1.扩大步长 ，缺点会丢失信息，且引入计算         

2.池化pooling

adaptiveavgpool(7) 降至转化为7*7

得到的特征图，拉直进行全连接

通过softmax函数将的出的结果（分布）进行概率化

在代码中可以直接将分布交给交叉熵函数的处概率分布

分类神经网络的框架，流程

二，AlexNet

drop out关掉一些神经元，防止过拟合

归一化：将数据映射到一个标准的范围，以消除不同特征之间的尺度差异

特征归一化：让同一维的每一个数据归一化

batch norm 批归一化