标签：输出 池化层 卷积 ML 算法 CNN 数据 连接 输入

卷积神经网络应用领域包括检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶、人脸识别等。

卷积网络与传统网络的区别：

CNN新增了卷积层和池化层，连接顺序是"卷积层-RELU-（池化层）"

全连接，Affine层跟着激活函数RELU层或SIGMOID层，最后由Softmax层输出最终结果概率

 整体架构：输入层、卷积层、池化层、全连接层

 

 输入层（input layer）：

1.数据预处理

2.常见预处理方式：a.数据标准化，将数据按比例缩放，常用的方法是Z-Score标准化，用于评估样本点到总体均值的距离

  b.数据增强， 即增加训练数据，则能够提升算法的准确率，避免过拟合

卷积层（Convolution）：

全连接忽视形状，需要将三维变一维；而卷积层可以保持形状不变，h*w*c（height，width，channel）

卷积层输入数据为输入特征图，输出数据为输出特征图

卷积运算相当于滤波器

填充：向输入数据周围填入固定数据如0，调整输出大小

步幅：应用滤波器的位置间隔

批处理：mini-batch，（batch_num, channel, height, width）

激活函数，最常用是RELU函数，f(x)=max(0,x)

池化层（Pooling）：往往在卷积层后面，通过池化降低卷积层输出的特征向量

对输入的特征图进行压缩，一种是Avy Pooling ,一种是max Pooling

 

全连接 （fully-connected):

连接所有的特征，将输出值送给分类器（如softmax分类器）

 

 

 

标签：输出,池化层,卷积,ML,算法,CNN,数据,连接,输入
来源： https://blog.csdn.net/qq_54627325/article/details/120115694

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。