一、对立体即有RGB通道的图片进行卷积
创建神经网络:
各个卷积网络的层数、高度、宽度、维度等见下图
10个特征即用10个过滤器,10个过滤器即输出为10层,下面为例子
由图可知,经过几层神经网络的卷积,最后图片长宽会越来越小,而深度即维度会越来越深
二、卷积网络一般由卷积层、池化层(polling)和全连接层组成
池化层:一般最大池化,找出所有值中最大的那个值,最大池化只是计算某一层的静态属性,没有什么需要学习的,且没有权重和参数。
各层之间的关系如下图
一般排列方式是一层或若干卷积层后面跟着池化层,最后跟着全连接层,可以为一层也可以为两层,最后用softmax函数输出。
卷积层是使图像的维度增加,池化层是使图像的长宽缩小。在卷积层有多少个过滤器就输出多少层nc。有一个通过softmax进行预测的全连接层。全连接一般会把卷积输出的二维特征图(feature map)转化成(N*1)一维的一个向量。在前向计算过程,也就是一个线性的加权求和的过程,全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W,最后加上一个偏置值b得到。
例子:猫咪训练器
cost J即整个神经网络对整个训练集的预测的损失总和。