輸入層，接受大量非線形輸入資訊的層，輸入的資訊稱為輸入向量。
輸出層，形成輸出結果的層。輸出的資訊稱為輸出向量。
隱藏層，輸入層和輸出層之間的各個層。
最左邊是輸入層，對資料做一些處理，比如去均值、歸一化等等。cnn只對訓練集做去均值這一步。
中間有conv，即卷積計算層；relu，即激勵層，激勵層使用的relu是啟用函式的一種；pool，即池化層，取區域平均值或最大值。
最右邊是fc，即全連線層
深度：神經元個數，即濾波器個數，決定輸出的厚度。
步長：決定滑動多少步可以到邊緣。
填充值：在外圍邊緣補充的0的圈數，方便從初始位置以步長為單位可以剛好滑倒末尾位置。
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...