1、卷积层
卷积核:提取输入数据的特征
参数共享:一个卷积核在整个输入图像的不同位置进行特征提取。
CNN的优势:局部特征提取能力非常强,这种局部特征提取在处理图像中的细节和纹理局部特征上更为有效。卷积核的参数共享可以有效减少参数量,,降低过拟合的风险,并且使得模型的泛化能力更强。
2、池化层
减少参数量的同时,还保留了原图像的原始特征、降低过拟合、卷积网络的平移不变性,而且拥有更大的感受野。
平均池化和最大池化
3、全连接
对提取的特征进行非线性组合可以得到输出
1、卷积层
卷积核:提取输入数据的特征
参数共享:一个卷积核在整个输入图像的不同位置进行特征提取。
CNN的优势:局部特征提取能力非常强,这种局部特征提取在处理图像中的细节和纹理局部特征上更为有效。卷积核的参数共享可以有效减少参数量,,降低过拟合的风险,并且使得模型的泛化能力更强。
2、池化层
减少参数量的同时,还保留了原图像的原始特征、降低过拟合、卷积网络的平移不变性,而且拥有更大的感受野。
平均池化和最大池化
3、全连接
对提取的特征进行非线性组合可以得到输出