标签：convolution 卷积 max 学习 pooling 神经网络 CNN 属性

        CNN可以看作深度学习的进一步扩展，在深度学习的基础上改变神经网络的结构以及尽量减少参数，抓住关键特征。这样的CNN主要用于影像识别。具有以下三个属性的任务即可以使用CNN：1）观测图片中的某些模式；2）这些模式在每张图片中的位置不同；3）二次抽样不会影响观察对象。CNN框架中的convolution就反映了前两个属性；max pooling反映了第三个属性。之后分别从convolution、max pooling、flatten三个方面具体介绍相关步骤。从CNN中我们可以学到什么？CNN应用广泛，除了常见的影像处理，还有声音、文字处理等。值得注意的是我们不能因为这个方法听起来神秘或者高大上，做什么东西都想用它，而是看我们做的东西是否真的符合上面的三个属性。（此外，本次任务只学习了CNN的框架，具体操作方法还没有搞懂。）

笔记：

标签：convolution,卷积,max,学习,pooling,神经网络,CNN,属性
来源： https://blog.csdn.net/weixin_55118952/article/details/122629926

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。