主要層結構：卷積層、池化層、全連線層。
神經元個數：乙個卷積層的輸出是20*20*32，則神經元的個數為：20*20*32=12800；
濾波器視窗大小：3*3, 輸入的資料體深度10，則每個神經元有：3*3*10=900引數；
總的引數：12800*900=11520000個引數；
引數共享：32個濾波器，總共引數：32*900=28800。原因：特徵在不同位置的表現是相同的。
卷積層的一些性質：
池化層：減少參數量，防止過擬合；（特徵不變性）
實際證明，最大池化效果最好，平均池化一般放在卷積神經網路的最後一層。
（在進入全連線層之前，使用全域性平均池化能夠有效降低過擬合）
主要結構：lstm & gru （gated recurrent unit）(主要用於解決長時依賴問題)
lstm (long short term memory networks), 2023年提出。
結構：輸入門、遺忘門、輸出門。遺忘門能夠自己學習保留多少以前的記憶，使得不再需要人為的干擾，網路可以自主學習。
gru （gated recurrent unit） 2023年提出，gru將遺忘門和輸入門合成了乙個「更新門」
《1。卷積神經網路》
1.簡述卷積的基本操作，並分析其與全連線層的區別 答 具有區域性連線和權值共享的特點。卷積操作能夠在輸出資料中大致保持輸入資料的結構資訊 2.在卷積神經網路中，如何計算各層的感受野大小？答 3.卷積層的輸出尺寸 參數量和計算量 答 輸出尺寸 1.簡述分組卷積及其應用場景 答 分組卷積就是將輸入通道和...
深度學習筆記整理（三） 卷積神經網路
由負責對比度提取的g層，負責圖形特徵提取的s細胞層和抗變形的c細胞層交替排列組成。基於人類視覺皮層感受野的結構得到的模型，由輸入層 卷積層 池化層 全連線層 輸出層組成，接下來分別具體介紹不同層。卷積的本質 如果全部都是全連線層，引數太多，無法調整，無法實現，因此改用卷積核，共享引數，減少參數量。卷...
卷積神經網路學習1 卷積層
卷積神經網路常用於計算機視覺當中，應用在計算機視覺當中，就要面臨乙個挑戰，那就是輸入資料非常的大，假如輸入乙個1000 1000的，那麼他就有1000 1000 3 的rgb三通道 個資料，對於300w的資料量，那麼當我們第乙個隱藏層有1000個神經元進行全連線時，那麼將會有300w 1000個引數...