網路結構
1.輸入：224224，3通道的影象(rgb)
第一層卷積是：1111的卷積核，96個，stride(步長)=4，而輸出大小=（輸入大小(224)-卷積核(11)+padding）/stride +1 = 55;引數數目 = 3111196
2.第二層卷積是：55的卷積核一共256個
3.第二層max_pooling：2*2
4.第一層的全連線和第二層都為：4096
softmax：1000為概率值
5.alexnet是首次使用relu的模型，速度比sigmod要快
6.2-gpu並行結構，部分卷積層後跟隨max-pooling層
7.全連線層應用dropout（把一些神經元置零，且這一行為是隨機的），為的就是防止過擬合（引數過多而樣本過少）的問題，提高了模型的泛化能力。dropout解釋：每次都相當於訓練了乙個子網路，最後結果就是相當於很多子網路組合。也消除了神經單元之間的依賴。
8.進行了隨機取樣（如[256,256]取樣了[224,224]）,即資料增強
9.dropout=0.5;batch size = 128; sgd momentum=0.9;learning rate = 0.01,一定次數之後改為0.1
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 一
卷積神經網路是一種特殊的多層神經網路，它是deep learning中的乙個演算法，現在主要應用在影象處理領域中。既然說它是deep learning中的乙個演算法，那麼就需要有大量的資料來支援，作為乙個深度的神經網路，引數動輒百萬以上，如果樣本數過小很容易造成overfitting。卷積神經網路可...