前面的章節介紹的神經網路每兩層之間的所有結點都是有邊相連的
這種網路結構稱為全連線層網路結構
全連線神經網路與卷積神經網路的結構對比圖:
對於全連線神經網路,每相鄰兩層之間的節點都有邊相連
於是一會會將每一層全連線層中的節點組成一列,這樣方便顯示連線結構
而對於卷積神經網網路,相連兩層之間只有部分節點相連
為展示每一層神經元的維度,一般會將每一層卷積層的節點組織成乙個三維矩陣
問題:為什麼全連線神經網路無法很好地處理影象資料
解答:全連線神經網路最大的問題在於全連線層的引數太多
卷積神經網路架構圖:
1.輸入層
處理影象時,一般代表一張的畫素矩陣.從輸入層開始,卷積神經網路通過不同的神經網路
2.卷積層
最為重要的部分,卷機層中的每乙個節點的輸入只是上一層神經網路的一小塊,
這個小塊常用的有3x3或者5x5,卷積層試圖將神經網路中的每乙個小塊進行更加深入的分析
從而得到抽象程度更高的特徵.一般來說,通過卷積層處理過的節點矩陣會變得更深,如圖6-7所示
3.池化層
池化層不會改變三維矩陣的深度,但是他可以縮小矩陣的大小,池化操作可以認為是將
一張解析度高的轉化為解析度低的,通過池化層,可以進一步縮小最後全連線中節點的個數
從而減少整個神經網路中引數
4.全連線層
我們可以將卷積層和池化層看成自**像特徵提取的過程,在特徵提取完成之後,任然要用全連線
層來完成分類任務
5.softmax層
通過softmax層,可以得到當前樣例屬於不同種類的概率分布情況
《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...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵,乙個卷積核代表一種特徵提取方式,對應產生乙個特徵圖,卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積,結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵,乙個卷積核代表一種特徵提取方式,對應產生乙個特徵圖,卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積,結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...