第一篇系统阐述CNN的文章CNN卷积、池化
CNN第一次取得重大突破
全连接层将图像展开为以为向量
FUll Connected Layer
卷积层则保留图像空间结构
卷积层
通过不同的filter,生成不同的activation
maps
卷积层
因此可以认为卷积网络是一系列卷积层组成的,伴随着激活函数的网络结构。
随着卷积、池化的进行,前面的层学习到Low-level features,而高层次的层则学习到High-level features
Weight可视化特征图
一个过滤器生成一个激活特征图,他们对应着不同的特征。
过滤器可视化
卷积网络组成
卷积的计算方式:
N:图像宽度
F:过滤器大小
stride:步长
但是在实践中,为了防止图像逐渐变小,特征丢失的情况,我们通常在边缘补零,此时
N1 = N+2*padding
计算其参数个数:(5*5*3+1)*10=760
其中,每个过滤器有5*5*3即W和1个b,即Wx+b,共10个filter,则有760个参数
池化层:即降采样,例如Max Pooling
全连接层:在最后一层网络,将特征图展开为一维向量,然后传入到分类器如softmax
Summary
网友评论