1.感知机
感知机是一个接收多个输入,输出单个输出的算法
原理:
eg:阈值相当于物理最大静摩擦力
感知机就像人拉飞机,只有超过最大静摩擦力才能移动
实现:
卷积神经网络
全连接层在整个卷积神经网络中起到“分类器”的作用 。
卷积层作用是提取特征。
池化层作用缩小输入。
输入层:
卷积层
局部感知:人的大脑识别图片的过程中,并不是一下子整张图同时识别,而是对于图片中的每一个特征首先局部感知,然后更高层次对局部进行综合操作,从而得到全局信息。
卷积过程:
卷积核:
激励层(激励函数):
激活函数通俗来讲就是非线性函数,目的是用来增加神经网络的逼近能力,使深层神经网络表达能力更加强大
池化层:
也称为欠采样或下采样。主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。
输出层:
在全连接层中所有神经元都有权重连接,通常全连接层在卷积神经网络尾部。当前面卷积层抓取到足以用来识别图片的特征后,接下来链接所有特征,将其输入至分类器(softmax)中。