卷积神经网络中每层矩阵维度变化
来源:互联网 发布:电子键盘软件 编辑:程序博客网 时间:2024/06/10 13:44
卷积神经网络在图像识别上已经相当成熟.经典的识别手写字的卷积神经网络LeNet-5模型为7层的神经网络.其中每一层上面矩阵的维度的变换是图像像素得到识别的重点,而矩阵维度的变换是每一层之间使用卷积核大小所决定.LeNet-5模型在识别手写字方面最为经典:
(第0层),卷积神经网络的输入层为图片的矩阵,输入的图片为32*32,因为每次输入的图片张数为1,因此input层的矩阵大小为:32*32*1.
(第一层):卷积层(convolution layer).
在LeNet-5的神经网络中,第一层使用的卷积核大小为5*5*1,卷积核(filter)的输出深度为6,使用不填充,步长为1.不填充的情况下,输出的矩阵大小为32-5+1=28.因此第一层卷积层的大小为28*28*6.
(第二层):池化层(pooling layer).
在有些文献,池化层被称为最大混合层(翻译问题不必深究).池化层过滤器大小2*2,步长为2.因此第二层的的大小为14*14*6.
(第三层):卷积层
第二层的大小为14*14*6,也就是这一层的输入.在这一层,使用的卷积核大小为5*5*6,输出深度为16,不使用填充,步长设为1.因此输出矩阵的大小为:14-5+1=10.矩阵的大小为10*10*16.
(第四层):池化层
这一层的池化层的过滤器大小为2*2,步长为2.因此大小为5*5*16.
(第五层):全连接层,设置节点数为120.
(第六层):全连接层,设置节点为84
(第七层):全连接层,设置节点为10
(第八层):Softmax 层.用来把输出概率化处理.
阅读全文
0 0
- 卷积神经网络中每层矩阵维度变化
- Tensorflow中卷积神经网络之卷积层
- 如何确定卷积神经网络的卷积核大小、卷积层数、每层map个数
- 神经网络中卷积层的堆叠
- 神经网络-卷积层
- 神经网络BP推导及caffe中卷积层的实现
- 卷积神经网络池化层和卷积层作用
- 卷积神经网络的卷积层和池化层
- 卷积神经网络各层分析
- cnn神经网络卷积层可视化
- 卷积神经网络的参数维度(15)---《深度学习》
- TF图层指南:构建卷积神经网络
- 卷积神经网络中卷积概念的理解
- cs231n-(7)卷积神经网络:架构,卷积层/池化层
- 学习用tensorflow实现卷积神经网络中的卷积层随笔
- 卷积神经网络与caffe的卷积层、池化层
- 卷积神经网络卷积层和池化层学习、权值共享!!
- 卷积神经网络_(1)卷积层和池化层学习
- [ArcGIS] 空间分析(三)栅格数据
- 枚举的总结
- 转:正则表达式进阶(资料整理)
- Linux 安装Elasticsearch和配置ik分词器步骤
- kafka与zookeeper间的关联
- 卷积神经网络中每层矩阵维度变化
- Tomcat各种启动方式的jvm内存设置
- Vue.js源码解析(八)【Vue.js异步更新DOM策略及nextTick】
- 第六期 基于 Inception-V3 训练网络识别面部特征 《显卡就是开发板》
- fiddler模拟发送自定义请求
- SQL Server中查看数据库中各个数据表的大小(占用空间)
- 看雪安全峰会,几维安全携国内首款全平台移动代码虚拟机KiwiVM参展
- C++_vector_初探2
- 10GBASE-T SFP+ Copper Transceiver: A New Option For 10GbE Network