卷积神经网络（CNN）
卷积层：提取特征池化层：压缩特征这个只演示了一层每个通道各自提取（R,G,B三个通道），整合（三层结果相加）padding是为了让边界点利用次数更多，padding = 1是边界填充一圈0（为什么添加0呢，因为0不会对原结果造成影响）卷积核个数决定得多少个特征图，10个卷积核就是10个特征图maxpool最大池化是选择最大的权重，因为其是最好的特征，就没必要平均池化了（为什么要将最好的特征给平均了
·
一、卷积层
卷积层：提取特征
池化层：压缩特征
这个只演示了一层
每个通道各自提取（R,G,B三个通道），整合（三层结果相加）
padding是为了让边界点利用次数更多，padding = 1是边界填充一圈0（为什么添加0呢，因为0不会对原结果造成影响）
卷积核个数决定得多少个特征图，10个卷积核就是10个特征图
二、池化层
maxpool最大池化是选择最大的权重，因为其是最好的特征，就没必要平均池化了（为什么要将最好的特征给平均了呢，没必要吧）
三、
只有带参数的东西才能称为一层，例如conv和FC。Relu，pool不算，所以共七层
四、
1.Alexnet 2012年的
了解有这个东西就好，没什么用的网络 ，太老了，问题很大
2.vgg 2014年的 相比于Alexnet有很大改变
所有卷积核大小都是3*3
池化层损失的特征，用下次更多数据填补，缺点是训练时间长，但精度比Alexnet高
五、卷积核大小的影响
堆叠小的卷积核，参数少一些，而且训练过程还快一些，三次卷积可以增加三层relu，线性改变很多，权重不会改变
六、卷积神经网络简单代码实现
技术共进，成长同行——讯飞AI开发者社区
更多推荐
0
0- 0
已为社区贡献4条内容
所有评论(0)