1、池化层的理解 pooling是用来减小尺寸，提高运算速度的，同时也可以减少噪声。它没有卷积计算，仅仅是在滤波器算子滑动区域内取最大值。 池化层可对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度并在一定程度上避免过拟合的出现；一方面进行特征压缩，提取主要特征。 最大池采样在计算机 ...
分类：
其他好文 时间：
2018-07-09 12:34:48
阅读次数：
2062
TensorFlow 中的卷积网络 是时候看一下 TensorFlow 中的卷积神经网络的例子了。 网络的结构跟经典的 CNNs 结构一样，是卷积层，最大池化层和全链接层的混合。 这里你看到的代码与你在 TensorFlow 深度神经网络的代码类似，我们按 CNN 重新组织了结构。 如那一节一样，这 ...
分类：
其他好文 时间：
2018-07-04 20:13:42
阅读次数：
185
在 TensorFlow 中使用池化层 在下面的练习中，你需要设定池化层的大小，strides，以及相应的 padding。你可以参考 tf.nn.max_pool()。Padding 与卷积 padding 的原理一样。 说明 完成 maxpool 函数中所有的 TODO。 设定 strides， ...
分类：
其他好文 时间：
2018-07-04 20:10:59
阅读次数：
170
Dilation 卷积，也被称为：空洞卷积、膨胀卷积。 一、一般的卷积操作： 首先，可以通过动态图，理解正常卷积的过程： 如上图，可以看到卷积操作。 对于CNN结构，通常包括如下部分： 输入层 （input layer） 卷积计算层 （CONV） 激励层（RELU） 池化层（Pooling） 全连接 ...
分类：
其他好文 时间：
2018-06-17 13:29:58
阅读次数：
3042
参数介绍： value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape。 ksize：池化窗口的大小，取一个四维向量，一般是[1, in_height, in_width, 1]， ...
分类：
其他好文 时间：
2018-06-04 14:38:05
阅读次数：
265
本文介绍了卷积神经网络CNN的来源，CNN的不同模块（卷积层、池化层），以及如何使用TensorFlow实现CNN。最后介绍了一些优秀的CNN架构。 ...
分类：
其他好文 时间：
2018-05-23 18:57:06
阅读次数：
259
在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。为什么可以通过降低维度呢？ 因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的 ...
分类：
其他好文 时间：
2018-05-20 20:13:02
阅读次数：
2327
1、为什么要用神经网络？ 对于非线性分类问题，如果用多元线性回归进行分类，需要构造许多高次项，导致特征特多，学习参数过多，从而复杂度太高 。 在神经网络中引入激活函数一个重要的原因就是为了引入非线性。 2、CNN基本问题 层级结构：输入层->卷积层->激活层->池化层->卷积层->激活层->池化层- ...
分类：
其他好文 时间：
2018-05-18 13:53:36
阅读次数：
534
在卷积神经网络的最后，往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图转化成一维的一个向量，全连接层的每一个节点都与上一层每个节点连接，是把前一层的输出特征都综合起来，所以该层的权值参数是最多的。例如在VGG16中，第一个全连接层FC1有4096个节点，上一层POOL2是7*7*512 ...
分类：
其他好文 时间：
2018-05-16 23:57:19
阅读次数：
18777
边界填充（padding）：卷积过程中，越靠近图片中间位置的像素点越容易被卷积计算多次，越靠近边缘的像素点被卷积计算的次数越少，填充就是为了使原来边缘像素点的位置变得相对靠近中部，而我们又不想让填充的数据影响到我们的计算结果，故填充值选择均用0来填充。 池化层不需要参数、只是对特征图进行压缩操作，以 ...
分类：
其他好文 时间：
2018-05-16 15:25:15
阅读次数：
147
