Convolutional Neural Network 卷積神經網絡
一種深度學習模型或類似於人工神經網絡的多層感知器,常用來分析視覺圖像。
Input layer 輸入層
Convolutional layer 卷積層
卷積層輸出的尺寸:
輸出寬度:(W-Fw+2P)/S + 1
輸出高度:(H-Fw+2P)/S + 1
其中,W :輸入圖像的寬度
H :輸入圖像的高度
Fw :濾波器或內核的寬度
Fh :濾波器的高度
P :填充
S :步長
卷積層輸出的通道數等於卷積操作期間使用的濾波器的個數
polling layer 池化層
池化層用於在卷積神經網絡上減小特徵空間維度,但不會減小深度。
平均池化(average pooling)
最大池化(max pooling)
Non-linearity Layer 非線性層
在非線性層中,一般使用ReLU激活函數,而不是使用傳統的Sigmoid或Tan-H激活函數。
對於輸入圖像中的每個負值,ReLU激活函數都返回0值,而對於輸入圖像中的每個正值,它返回相同的值
Fully Connected Layer 全連接層
在全連接層中,將最後一個卷積層的輸出展平,並將當前層的每個節點與下一層的另一個節點連接起來。
感受野
爲什麼選擇卷積?
卷積神經網絡具有的參數會更少,因此就可以避免出現過擬合現象。
參考:
https://blog.csdn.net/qq_41727666/article/details/84622965