卷积神经网络
文章平均质量分 76
卷积神经网络
不秃头不成功
这个作者很懒,什么都没留下…
展开
-
感受野面试+计算
1. 什么是感受野?当前网络输出的feature maps的每个像素值的生成受输入图像中多大范围像素值的影响。(网络输出的feature maps的每个像素点在输入图像上的映射区域的大小)2. 感受野的意义生成特征能够利用的全局信息,一般的网络都会在控制参数的前提下不断增大感受野,如利用空洞卷积。一个好的分类网络应该具有两种能力:1.能够具有学习复杂特征的表征能力。2.感受野不超过输入图像的大小,也不小于分类目标的大小。3.感受野的计算。R_n为当前感受野R_(n-1)为上一层感受野K_原创 2021-12-14 12:01:02 · 2652 阅读 · 0 评论 -
残差网络ResNet最全分析
本篇你将学到对Deep Residual Learning for Image Recognition论文的个人的翻译和个人对这篇文章的理解。ResNet网络论文的翻译个人的理解论文的翻译一从理论上分析,越深的网络就会有越好的学习能力可以整合图像的低维、中维、高维的信息。1.越深的网络是不是就只是叠加层数这么简单呢?会产生梯度的爆炸或者消失,严重影响学习速率。针对这个问题,我们可以通过归一的初始化和中间的归一化层得到缓和(增加BN)随着网络结构的深度加深又会出现另一个问题:退化退化:随着网原创 2020-12-19 14:32:46 · 8137 阅读 · 2 评论 -
深度学习中损失函数、目标函数、决策函数、代价函数的含义
代价函数就是损失函数(由于翻译和个人理解的不同才有了不同的名称)目标函数是具有约束条件的损失函数(如带有正则化项)obj=loss+Ωloss就是损失函数 控制原有数据的拟合程度Ω就是结构损失 控制拟合模型的复杂程度决策函数就是确定决策边界的那个函数...原创 2020-12-15 21:12:51 · 1766 阅读 · 0 评论 -
神经元为什么需要激活函数???
激活函数输入:权重和加偏置输出:神经元的激活值为什么激活函数都是非线性的呢?如果激活函数是线性的,输入输出如下图所示。激活函数的输出值我们可以通过再次训练权重w和偏置b来获得,这样我们通过激活函数的意义就没了。带权输入 相当于线性映射经过激活函数(sigmoid,ReIU等非线性的激活函数)相当于进行非线性映射个人的理解:有些分类是线性函数无法解决的 各种线性函数的部分区域经过不同的激活函数进行扭曲 不同激活函的扭曲的方法不同 网络层次越深 扭曲的次数越多 对数据的拟合越好原创 2020-12-15 21:06:01 · 352 阅读 · 0 评论