神經網絡框架

卷積層詳解

卷積神經網絡組成

1.輸入層（INPUT）

2.卷積層（CONV）

3.激活函數（RELU）

4.池化層（POOL）

5.全連接層（FC）

卷積計算流程

將image劃分為一個一個的小區域，然后filter在每一個小塊上進行特征提取，找出一個能夠代表這個區域的值，image經過卷積之后生成一個特征圖，特征圖上對應image每一個小區域

filter可以有多個，可以指定數量，將不同的filter提取出來的特征圖壓縮到一起就得到了卷積之后的結果。

示例：6層filter對image進行特征提取。

卷積操作不是只能在輸入的圖像基礎上進行卷積，還能在卷積之后的結果上再進行卷積。

卷積核參數分析

卷積參數共享原則

池化層

池化層是對特征圖起作用的層，對特征圖進行一個壓縮的操作。

Pooling layer

MAX POOLING

卷積神經網絡反向傳播原理與實現

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的深度学习——02、深度学习入门——卷积神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。