TensorFlow实战——CNN
来源:互联网 发布:软件质量保证方法 编辑:程序博客网 时间:2024/05/17 09:36
全连接神经网络存在以下三个问题:
1. 参数太多(每个节点都要和下一层的所有节点连接)
2. 容易过拟合
3. 不能很好的抽取局部的特征(如一张有两只猫的图片,它偏向于抽取整张图的特征,而不是图中部分区域的特征)
鉴于以上的问题,我们介绍卷积神经网络(CNN)。先介绍CNN中的池化层和卷积层。我们根据下图来讲解:
过滤器
池化层和卷积层都会有过滤器,过滤器会有个窗口(如上图中,黄色的框框),它会把上一层的数据过滤到一下层(如上图中,将左边的矩阵过滤生成右边的矩阵。)此外,过滤器能设置一下层的深度。(后续会讲解)
为了让image长宽不变,我们可以在边缘添加值为0的一些行与列,从而使得过滤后的行与列不变。
若不填充,那么
卷积层
上次其实就是卷积层中某一个深度上的过滤。我们设想数据是一张5*5*3
的RGB图片,该卷积层的过滤器,窗口为3*3,深度为10。设
后面的类似计算。我们得到右边的矩阵
而下一层深度0上的Image的就是:
上式中
池化层
理解的卷积层,池化层就很容易理解了。池化层有两点不同。
- 没有W参数矩阵。也就是没有黄色框框的红色数字部分。那它怎么过滤呢?很简单,选框框中最大的数字,或者求个平均值等方式,就求出右边矩阵中的值了。
- 池化层不改变前后层的深度。也就是说,上一层第
i 深度的image直接过滤出下一层第i 深度的image。
卷积神经网络
卷积神经网络的架构为:
+
表示1~n
,?
表示0~n
VGGNet模型
LeNet模型
Inception-v3 模型
- TensorFlow实战——CNN
- TensorFlow实战——CNN(Inception-v3)
- 《tensorflow 实战》学习4——AlexNet(经典CNN)
- [TensorFlow实战] 简单CNN
- TensorFlow实战(三)CNN
- TensorFlow实战——CNN(LeNet5)——MNIST数字识别
- TensorFlow实战——CNN(VGGNet19)——图像风格转化
- TensorFlow实战——CNN(VGGNet19)——图像风格转化
- Tensorflow实战-CNN网络Mnist识别
- TensorFlow实战——入门
- TensorFlow实战——RNN
- tensorflow学习笔记四——实现一个CNN网络
- CNN & Tensorflow 入门——以Cifar-10为例
- Tensorflow中级教程——用于Mnist的CNN
- 卷积神经网络(CNN)和Tensorflow初探——MNIST
- CNN学习(三)—Tensorflow 进行MNIST手写体识别
- TensorFlow(0.12.0) LeNet-2 CNN实战问题分析
- TensorFlow实战:Chapter-3(CNN-1-卷积神经网络简介)
- javaee新建server无法选安装的Tomcat进行next
- 11.activiti工作流-开始活动节点
- 注册表
- 【ROS-MoveIt!源码学习】ROS中机器人模型的构建(Build RobotModel)
- React Native启动白屏问题
- TensorFlow实战——CNN
- Java创建运行时类的对象
- 给初学者的 RxJava2.0 教程 (四)
- css修改select标签默认样式
- 10.activiti工作流-并行网关(parallelGateWay)
- 机器码农:深度学习自动编程
- 文章标题CSU 1862: The Same Game(模拟)
- Android 开机底层优化
- CSS中浮动和定位的总结