第五章 卷积神经网络
convolutional neural networks
卷积–保留输入的空间结构
5.1 历史部分
from1957 神经元在视觉皮层的工作原理
1980 神经认知机
1998 Lecun 反向传播和梯度
2012 AlexNet
近年应用
5.2 卷积和池化
1.卷积部分
卷积核–遍历所有通道(点积运算)
栅格、 步长(根据图像尺寸确定步长和结果的维度)
(N-F)/stride + 1(当做零填补-zero pad时注意区别,全尺寸输出)
多个卷积核–多个激活映射
参数数量为卷积核 (n×n×输入数据深度+偏置项)×卷积核个数
卷积核数量一般采用2的次方数
2.池化部分
降采样–让生成的表示更小更容易控制(深度不变)不做填零
最大值池化:任意区域的值代表卷积核的激发程度