标签：长度 要求 sha 左右移动 dict 一个 位移 变化 其他
卷积神经网络大总结（个人理解）
神经网络
1、概念：从功能他们模仿真实数据
2、结构：输入层、隐藏层、输出层。其中隐藏层要有的参数：权重、偏置、激励函数、过拟合
3、功能：能通过模仿，从而学到事件
其中过拟合：电脑太过于自信，想把所有的数据都模拟下来。但是这并不符合我们的实际的需求
激励函数：激活某一些参数
卷积神经网络：
1、一般的结构：输入数据、卷积层、池化层、卷积层、池化层、全连接层、全连接层、误差分析、参数优化、显示精确度
2、每一个层的要求：
输入数据：类型：[-1(表示能接受任意张图片)，图片的长度，图片的宽度、图片的灰度级]
卷积层 ：fittler滤波器：意义：扫描图片，得到一个数值。类型：[卷积核的长度，卷积核的宽度，图片的灰度值，特征映射值（厚度）]其中的1，1是给定。卷积函数：输入数据、滤波器、步长（类型[1，图片左右移动的步数，图片上下移动的步数，1]，padding=”扫描的方式”
卷积得到的数据，可以用tf.nn.Rule的激励函数激励
池化层：池化函数的参数：卷积层1激励后的数据，池化窗口的大小（shape[1,长，宽，1],步长(shape[1,向左右移动的步数，上下移动的步数，1],padding=“扫描的方式”
卷积层2：参数个数一样，但是输入的数据是池化1输出的数据，卷积核我们也可以定义，其他的都一样
池化层：变化最大的是输入的数据数卷积层2输出的数据
全连接神经元：输入的数据是池化2输出的数据，要记得重新设定类型。隐藏层：权重，偏置。。。隐藏层输出的数据可以过拟合和tf.nn.relu激励函数
全连接神经元2：类似全连接神经元。但是这一层的输出数据要用到tf.nn.softmax激励函数
误差分析、优化：cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_data * tf.log(prediction),
reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)交叉商
计算精确值函数
其他：
1、其中每一层的卷积层和池化层都是讲特征映射的更加详细，具体有用
2、池化层在实际应用中用来抵抗输入的轻微形变或者位移
3、全连通层的工作原理是根据之前其它层的输出，检测哪些特征与特定的 类别相匹
标签：长度 要求 sha 左右移动 dict 一个 位移 变化 其他
原文地址：https://www.cnblogs.com/MyUniverse/p/9445397.html
