深度学习

全连接层

神经元

image-20220507173247867

BP神经网络

image-20220507174036892

BP神经网络实例-车牌数字识别

1、输入层

image-20220507174338869

​ 首先，将原始彩色RGB图像进行灰度化(图2)后再进行二值化(图3)

image-20220507174830680

利用滑动窗口计算白色像素占整个窗口的比例，形成一个矩阵

image-20220507175128257

将得到的矩阵按行展开，得到一个行向量，作为神经网络的输入

2、输出层

one-hot编码

image-20220507210635812

3、网络结构

image-20220507210844944

卷积层

卷积操作：利用卷积核在图像上进行滑动，对应位置上的元素相乘相加，生成一个对应的特征图。

卷积目的：特征提取，不同类型的卷积核可以检测到不同的特征

卷积特性：1.局部感知：卷积核在图像矩阵滑动，个人理解相当于卷积核在图上进行”扫描“，每一步可以感知与卷积核大小相同 的局部图像

​ 2.权值共享：“扫描”过程中卷积核不变，可以大大减少神经网络中参数的个数

卷积核与输入输出通道（channel）的关系

  • 卷积核的通道数与输入的通道数相同

  • 输出的通道数与卷积核个数相同

思考：1、加上偏置bias后如何计算？2、加上激活函数后如何计算？3、卷积过程中出现越界怎么办？

  • 偏置计算

    偏置计算

  • 激活函数

    image-20220507213943905

  • 填充（padding）、步长（stride）

    image-20220507214259193

池化层

池化层（MaxPooling），也称下采样层，目的是将特征图进行稀疏处理，减少数据运算量。

池化特点：1、没有训练参数 2、只改变特征矩阵的宽和高，不改变通道数 3、一般poolsize和stride相同

  • 最大池化

    image-20220507214710897

  • 平均池化

    image-20220507214805574

笔记根据B站UP主霹雳吧啦Wz视频合集【深度学习-图像分类篇章】学习整理