inception 結構是一種和lenet-5 結構完全不同的卷積神經網路結構。在 lenet-5 模型中，不同卷積層通過串聯的方式連線在一起，而 inception-v3 模型中的inception 結構是將不同的卷積層通過井聯的方式結合在一起。乙個卷積層可以使用邊長為 1 、3 或者 5 的過濾器，那麼如何在這些邊長中選呢？ inception 模組給出了 乙個方案，那就是同時使用所有不同尺寸的過濾器，然後再將得到的矩陣拼接起來。inception 模組會首先使用不同尺寸的過濾器處理輸入矩陣。最上方矩陣為使用了邊長為 l 的過濾器的卷積層前向傳播的結果。類似的，中間矩陣使用的過濾器邊長為 3 ，下方矩陣使用的過濾器邊長為 5 。不同的矩陣代表了 inception模組中的一條計算路徑。雖然過濾器的大小不同，但如果所有的過濾器都使用全 0 填充且步長為 1 ，那麼前向傳播得到的結果矩陣的長和寬都與輸入矩陣一致。這樣經過不同過濾器處理的結果矩陣可以拼接成乙個更深的矩陣。
inception-v3 模型總共有 46 層，由 11 個 inception 模組組成。圖中方框標註出來的結構就是乙個 inception 模組。
神經網路的認識（一）神經網路的認識
特徵提取 我的理解就是將物體資料化，將乙個實體盡可能的描述成計算機可以懂得話，就比如定義乙個人，姓名 性別 愛好 出生地 出生日期 這樣可以給他打足夠多的標籤，就可以定義他是誰了，這個標籤就是特徵。使用神經網路有4個步驟 提取問題中實體的特徵向量作為神經網路的輸入，不同實體可以提取不同的特徵向量 定...
神經網路的認識（二）深層神經網路
損失函式 神經網路優化演算法 神經網路進一步優化 深層學習有兩個非常重要的特性 多層和非線性 線性模型的侷限性，就是任意線性模型的組合仍然還是線性模型。所以引出啟用函式，經過啟用函式變換完的輸出就不再是線性的了。如果將每乙個神經元 也就是神經網路中的節點 的輸出通過乙個非線性函式，那麼整個神經網路的...
初步認識神經網路
機器學習 讓機器 廣義上的計算機 通過學習來獲得類似人類的智慧型。例如 人類會下圍棋，alphago或alphago zero就是乙個掌握了圍棋知識 會下圍棋的電腦程式。神經網路 實現機器學習任務的一種演算法 數學模型。機器學習領域的神經網路，特指人工神經網路 其網路結構類似於生物神經系統，用來模擬...