目录
如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~
花书+吴恩达深度学习(十二)卷积神经网络 CNN 之全连接层
花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)
花书+吴恩达深度学习(十四)卷积神经网络 CNN 之经典案例(LetNet-5, AlexNet, VGG-16, ResNet, Inception Network)
0. 前言
本篇文章主要介绍卷积神经网络的运算过程。
整体卷积神经网络的运算趋势,是行和列逐渐减小,通道数逐渐增加。
1. 单层卷积网络
此处以单个样本为例子。
- 原始图像(上一层输出)作为 。
- 每一个过滤器的参数叠加在一起,组成这一层的权重 。
- 为每个过滤器加上偏差,组成偏差 ,在卷积之后的 2D 图像的每一个像素上加上偏差。
- 通过激活函数 ,激活函数同样针对 2D 图像的每一个像素。
- 则,每一个过滤器计算出来为 2D 图像,多个过滤器组合起来作为 3D 图像