查看DL roam的源代码
←
DL roam
跳转到:
导航
,
搜索
因为以下原因,你没有权限编辑本页:
您刚才请求的操作只有这个用户组中的用户才能使用:
用户
您可以查看并复制此页面的源代码:
== CNN == 有了一般Deep Learning 学习网络的认识, 卷积和图像处理的概念. 就可以进一步看看 CNN 网络了. CNN 网络非常明确的限定了处理对象是图像. 如果都是FNN网络,处理全尺寸图片时, Cost函数仅在第一层就会有巨量的参数. CNN通过引入卷积,或者说kernel对图像进行处理, 能极大的减少参数数量. 其结构一般如下: [[文件:CNN-Lenet-5.png]] * 这里的每个convolutions处理都没有画出对应的kernel. 但是有几个feature map就有几个对应的kernels. * subsampling又称作pool, 最常见的是把图片分割为2x2的子图, 子图中四个值只取最大值, 或者平均值. 这样就逐步减小了图片. convolution layer结构如下. [[文件:Lenet5-CONV-Layer.png]] 这些filters/kernels 不是预先定义好的, 而是通过对Cost函数进行梯度下降逐步学习而来, 这里才是神奇的地方. 如果图片尺寸是 W<sub>in</sub> X H<sub>in</sub> X C<sub>in</sub>, filters尺寸是 F<sub>h</sub> X F<sub>w</sub>, 输出的处理过的feature map尺寸根据对边缘点处理的不同有两种, 如果采用填0处理, 则尺寸不变, 如果丢弃周围点不够的行则变为: (W<sub>in</sub> - F<sub>h</sub> +1) X (H<sub>in</sub> - F<sub>w</sub> +1), 而feature map的深度, 也就是处理过的图像个数等于kernels个数.
返回到
DL roam
。
个人工具
登录
名字空间
页面
讨论
变换
查看
阅读
查看源代码
查看历史
操作
搜索
导航
首页
社区专页
新闻动态
最近更改
随机页面
帮助
工具箱
链入页面
相关更改
特殊页面