CNN卷积神经网络学习笔记
作者:互联网
总体网络架构
主要由Convolution层、Max Pooling层、Flatten层以及 FullyConnected Feedforward network组成,其中Convention层与Max Pooling层可以连续多次,根据需求设定。其特征为局部感知和权值共享,通过使用Filter来实现,具体网络结构如下图所示。
Convolution层
使用Filter进行卷积,即对应参数点积之和。用来寻找是否存在对应pattern,点积之和越来大表示与所寻找pattern越相似,其中Filter中的参数是由学习得出,且需注意深度。66的image由2个33的Filter卷积过后得到一个44的image,即一个24*4的Feature Map。在卷积过程中可设置stride,即Filter每次移动格数,padding,即是否在image边缘补充格数。
Max Pooling层
对image进行简化,例如选取2*2里最大的保存。
Flatten层以及全连接层
Flatten层将所得image数据拉成条状后输入全连接层即可得到output。全连接层对imge进行整体感知,从而得出相应结果的概率。整体过程如下。
标签:卷积,Max,image,Filter,Pooling,神经网络,Flatten,CNN 来源: https://www.cnblogs.com/wzq-blog/p/14830640.html