cnn 卷积 网络结构

对于cnn的理解

Posted by 高庆东 on July 6, 2017

我对于cnn网络的一些理解

cnn进行卷积运算的时候当从前一层卷积往下一层的时候 首先确定上一层得

到featuer map 的个数 k

然后确定当前层需要多少feature map 然后确定卷积核的大小m*n 该层

的权重矩阵等于=卷积核的维度 乘上一层feature map 的个数=mnk

每层的权值个数与上一层的featuer map 的个数有关系

该层每个神经元的输入等于=m*n乘上层某个featuer map （将所有的

featuer map 乘一遍后 加起来）

对于rgb三通道 卷积时filter时rgb三个维度的 对应相乘在相加会生成一

维的featuer map

pool过程不需要加权重只是单纯为了减小神经元个数 （一般没有参数）

卷积层和池化层的区别！！！！！！！！！！！！！！！！！！！

每一层的残差其实就是损失函数对于该层激活值的导数 （激活值时没有进

入激活函数时的值）和和权重和偏置有直接关系

一个filter=nm上一层feature map的个数（也可以自己定义） 。对应

一个偏置数b

cnn中对于每个权值都可以设置一个学习率

CATALOG
    FEATURED TAGS
    c语言 c++ 面向对象 指针 容器 python 函数 数据结构 回归 损失函数 神经网络 机器学习 似然函数 极大似然 标准化 深度学习 卷积网络 参数估计 beta分布 数据处理 gradio 模型工程化 网页 模型加速工具 c++实现 变量 占位符 tensorflow 线性回归 学习tensorflow HMM RNN 强化学习 LSTM pandas 不定长序列损失 pytorch 目标检测 RPN 非极大值抑制 ROIpooling VGG16 Transformer BERT Python 装饰器 方法 Pytorch FPN 图像分类 CNN 多模态 生成 GPT Tranformer 生成模型 audio