深度学习笔记-卷积神经网络基础(1)
全连接层
神经元
BP神经网络
BP神经网络实例-车牌数字识别
1、输入层
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)
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
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
3、网络结构
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
填充(padding)、步长(stride)
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
平均池化
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
本文是原创文章,采用CC BY-NC-SA 4.0协议,完整转载请注明来自DaneSun's Blog
评论
匿名评论
✅ 你无需删除空行,直接评论以获取最佳展示效果