神经网络框架

卷积层详解

卷积神经网络组成

1.输入层（INPUT）

2.卷积层（CONV）

3.激活函数（RELU）

4.池化层（POOL）

5.全连接层（FC）

卷积计算流程

将image划分为一个一个的小区域，然后filter在每一个小块上进行特征提取，找出一个能够代表这个区域的值，image经过卷积之后生成一个特征图，特征图上对应image每一个小区域

filter可以有多个，可以指定数量，将不同的filter提取出来的特征图压缩到一起就得到了卷积之后的结果。

示例：6层filter对image进行特征提取。

卷积操作不是只能在输入的图像基础上进行卷积，还能在卷积之后的结果上再进行卷积。

卷积核参数分析

卷积参数共享原则

池化层

池化层是对特征图起作用的层，对特征图进行一个压缩的操作。

Pooling layer

MAX POOLING

卷积神经网络反向传播原理与实现

与50位技术专家面对面20年技术见证，附赠技术全景图

总结

以上是生活随笔为你收集整理的深度学习——02、深度学习入门——卷积神经网络的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。