空间信息处理单元
CNN卷积神经网络,输入层、卷积层、池化层、全连接层
1. 卷积层
输入:特征图[h,w,d,n],h,w为图长宽,d为深度(通道数),n批量大小,k个尺寸为[a,a,d]的滤波器(卷积核)
卷积运算:加权求和,对应相乘,乘积之和作为中心像素新值。
输出尺寸:[h,w,d,n]
其中s为滑动步长,p为填充大小(0填充尺寸)
调整p来保证输出尺寸为整数
感受野(超参数),就是滤波的尺寸空间a
- 局部连接
- 权重共享(参数共享)
2. 池化层
通常在卷积层后面加一个池化层,是一种非线性下采样的一种形式
分最大池化,平均池化
通过减少网络参数来减少计算量
(
1
0
2
3
4
6
6
8
3
1
1
0
1
2
2
4
)
\left(\begin {matrix} 1&0&2&3\\ 4&6&6&8\\ 3&1&1&0\\ 1&2&2&4\\ \end{matrix}\right)
⎝⎜⎜⎛1431061226123804⎠⎟⎟⎞
最大池化结果:
(
6
8
3
4
)
\left(\begin {matrix} 6&8\\ 3&4\\ \end{matrix}\right)
(6384)
平均池化结果:
(
3
5
2
2
)
\left(\begin {matrix} 3&5\\ 2&2\\ \end{matrix}\right)
(3252)
时间信息处理单元
RNN循环神经网络
输出可以在下一时刻直接作用到自身,存在同层自连接
RNN可理解成某时刻输出是之前所有输入共同作用的结果,但实际上某时刻输入对后面时刻影响只能维持若干时刻
LSTM神经元
解决RNN时间上梯度消失问题