李宏毅深度学习Task06

卷积神经网络

1.使用卷积神经网络CNN应具备哪些特征

(1)通过所给图片的某一小部分内容就可以识别整张图片的信息;(2)同样的模式或者内容在不同图片中所处的位置不同,但是仍然只需要使用一个网络就可以;(3)对于一张较大的图片,可以subsampling减小图片的尺寸信息,不会影响识别的结果

2.卷积神经网络的架构

Input--Convolution--Pooling---Convolution--Pooling---....---Flatten---全连接前馈网络

3.CNN中各部分的具体是如何工作?

Convolution就是使用多个指定大小的filter按照指定的stride进行处理.其实,这种处理就是与全连接的方法是类似的,只是全连接将参数全部展开,同时,CNN根据一些方法减少参数和共享参数.

Pooling就是按照指定的大小对经过Convolution处理的image进一步处理,可以选择最大化或者最小化

Flatten:就是将经过Pooling处理的feature map展开,然后再放到 全连接前馈网络中进行训练

4.对CNN的简单认识

通过对输入进行梯度下降,获取使得参数的activation degree最大;每一个不同的filter,都是在针对性的处理图像的一些特征,进行匹配和识别

5.CNN的应用有哪些

Deep dream;Deep style;下围棋

其实Alpha go中没有使用max pooling,因为围棋其实不完全符合使用CNN的三个条件

标签：Convolution,处理,--,李宏毅,Pooling,深度,CNN,卷积,Task06
来源： https://blog.csdn.net/weixin_44145055/article/details/119065563