吳恩達 卷積神經網路

卷積神經網路

卷積操作：

設輸入n，filter為f，padding為p，步長(stride) 為s

則卷積(不滿足結合律，滿足結合律還需要對filter進行水平和垂直翻轉)之後影象大小為   (n+2p-f)/s + 1 向下取整

rgb影象卷積操作：

同時相乘相加，三個channel輸出乙個值

為什麼cnn可以避免過擬合？

符號標記：

池化層的作用(pooling):減小模型大小，提高計算速度，提高提取特徵的魯棒性

種類：最大池化、平均(不常用，但在特別深的網路中7*7*1000->1*1*1000)

引數：filter大小f、stride、padding(極少用)

特點：只有超引數，計算固定，沒有需要迭代計算的引數

通道：數量不變，經過池化操作後，通道數量不變(需要filter也有)

整體結構：卷積-池化->卷積-池化->平鋪-全連線->全連線->softmax(logistic)

為什麼使用卷積：

吳恩達《卷積神經網路》

一 yolo algorithm 把輸入的分割成3x3個格仔或19x19個格仔，每個格仔進行檢測輸出八個特徵，3x3就輸出3x3x8個向量。yolo演算法的優點是不需要乙個演算法跑很多次。相反這是單次卷積實現，在處理計算時很多步驟都是共享的，而且執行速度非常快可以達到實時識別。物件中點的座標在哪個格...

吳恩達 卷積神經網路

1 灰度影象，邊緣檢測，使用核函式的缺點，影象的向量會不斷的縮小，另外乙個就是邊緣的向量相比於中間的向量被覆蓋的次數會少很多。解決這個的方法就是padding在影象的周圍再新增一圈向量。2 核函式通常是奇數維向量 3 卷積層，池化層 選出某一區域的最大值，另外還有 平均池化，就是求乙個小區域的均值 ...

吳恩達 深度學習筆記《卷積神經網路》

cnn的提出以及優勢 簡單卷積網路示例 池化層 其他使用卷積的原因 相比標準神經網路，對於大量的輸入資料，卷積過程有效地減少了 cnn 的引數數量，原因有以下兩點 1，引數共享 parameter sharing 特徵檢測如果適用於的某個區域，那麼它也可能適用於的其他區域。即在卷積過程中，不管輸入有...