深度学习课堂笔记--卷积神经网络
深度学习课堂笔记–卷积神经网络
CNN经典模型网络层次越来越深，越来越复杂，模型效果越来越好
卷积神经网络结构
核心层：卷积层、池化层
卷积层
一维离散卷积：二维卷积：
一个矩阵翻转后和另一个矩阵移位相乘
卷积层的运算过程
卷积层的目的是萃取出图片中的特征，识别边界卷积运算步长 stride：滤波器每次移动的步幅，一般为1，意味着滤镜逐个像素移动
数据填充 padding：边缘数据不丢失
实际的卷积中，卷积核具有长、宽、深三个维度
核深度和图片的通道数一致
输出的特征图数量（通道数）由卷积核个数决定
卷积层**函数
sigmoid、ReLU、leakyReLU
卷积层的优势
参数共享：用卷积核的参数来代替全连接的权重，减少参数数量；filter的参数共享具有平移不变性；参数共享实现边界检测。
连接的稀疏性：
输出图象的任何一个单元，只和输入图象的一部分有关系
减少了权值的数量使网络易于优化
减少模型复杂度减少过拟合风险
池化层
目的：减少像素信息