答案是必然的，但是dnn有不少缺點，為此引入cnn。
一般情況下，影象資料比較大，意味著網路的輸入層維度也比較大。當然可以對其進行處理，即使這樣，假設處理完後影象變為2562563的彩色圖，即輸入的維度的值為196608。那麼後面的隱藏層的神經元個數自然也能太少，假設為1024。僅僅一層的鏈結就有高達196608 * 1024的參數量。巨大的計算量給計算能力帶來不小的挑戰。
同時，模型的神經元數量大，可能會帶來過擬合。
引入的cnn保持了層級網路結構，從輸入到輸出經過不同層次，不同層次有不同形式的運算或者功能。主要有以下層次：
資料輸入層/ input layer - 資料預處理
卷積計算層/ conv layer
激勵層/ activation layer - 非線性變換
池化層/ pooling layer - 下取樣
全連線層/ fc layer
批歸一化層/ batch normalization layer（可能有）
從感知機到神經網路
在我的之前的部落格中已經講解了感知機，接下來談到的神經網路與感知機有許多共同之處，下面主要是講講神經網路與感知機的不同之處。首先來看看乙個神經網路的示例 上圖示，最左側是輸入層，中間的一列被稱為中間層，也被稱之為隱藏層，最右一列被稱為輸出層。則，神經網路在訊號傳遞的過程中與感知機有什麼聯絡呢？在之前...
從感知機到神經網路
感知器在20世紀 五 六十年代由科學技術frank rosenblatt發明，其受到warren mcculloch和walter pitts早期的工作的影響。今天，使用其他人工神經元模型更為普遍 在這本書中，以及更多現代的神經網路工作中，主要使用的是一種叫做s型神經元的神經元模型。感知器是如何工作...
2 多層感知機（神經網路）
import tensorflow as tf print tensorflow version format tf.version import sys import pandas as pd import numpy as np import matplotlib.pyplot as plt m...