這一次將給大家介紹在學術界和工業界主流以及非常實用的深度學習卷積神經網路架構核心設計技術，內容時間跨度超過 10 年，覆蓋的核心設計思想超過 10 餘種，有助於給大家在工業界實踐中設計更加強大，高效的卷積神經網路提供指導和建議。
內容主要覆蓋以下部分：
如何決定和迭代乙個模型的深度
如何決定和迭代乙個模型的寬度
如何使用好通道的維度變換技術
如何增強網路各層資訊的融合
如何提高網路引數的利用率
如何最優化網路的解析度變化（步長，池化）
如何使用好 bn、dropout 等正則化技術
如何對網路的各個通道進行更加有效的分組使用
如何利用剪枝和量化技術去除網路冗餘
如何使用好遷移學習技術
工程技巧
閱讀全文:
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...
深度學習之卷積神經網路
卷積神經網路是一種多層神經網路，擅長處理影象特別是大影象的相關機器學習問題。卷積網路通過一系列方法，成功將資料量龐大的影象識別問題不斷降維，最終使其能夠被訓練。cnn最早由yann lecun提出並應用在手寫字型識別上 minst lecun提出的網路稱為lenet，其網路結構如下 這是乙個最典型的...