UFLDL 11 卷积与池化 convolution pooling
来源：互联网 发布：mac换输入法快捷键 编辑：程序博客网 时间：2024/04/27 23:02
卷积特征 convolution
之前我们都是用很小的图片来做示范，比如8x8，但是很多图片是很大的，比如是100x100，假设我们需要在隐含层提取100个特征，那么一共需要的参数有100x100x100=10w个参数，参数太多显然是不合适的，至少计算速度就会被降低。
于是乎，我们受到动物视觉中某些神经只受局部区域的刺激的启发，每次只将图像局部的一小块接入网络，计算我们需要的特征，训练特征（计算分类前的部分）。
提取特征的过程，举例说明如下： 
如上图，假设原图像是5x5像素的，我们选取的块是3x3像素的，网络的隐藏层只有1个单元。这样每次选取3x3接入网络，会得到一个激活值，然后逐渐滑动窗口取convolved features，横向可以有5-3+1=3个，纵向也可以有3个，那么每张图可以得到9个卷积特征。
池化 pooling
按照上面的方法，如果我们图片是96x96的，选取的块是8x8，选取400个特征，那么我们一张图片就会得到892 * 400 = 3,168,400 个特征，然后可以用这300+w个特征来分类。
说好的简化呢？！用这么多特征来分类隐隐的疼，所以我们有了以下面的处理方法： 
如上图，可以将卷积输出的特征，分隔成不相重合的
池化还有个好处就是平移不变性：
https://www.quora.com/How-is-a-convolutional-neural-network-able-to-learn-invariant-features
0 0
- UFLDL 11 卷积与池化 convolution pooling
- ufldl学习笔记与编程作业：Feature Extraction Using Convolution,Pooling(卷积和池化抽取特征)
- UFLDL——Exercise: Convolution and Pooling 卷积和池化
- Convolution and Pooling --卷积和池化
- 卷积Convolution和池化pooling特征提取，分类
- deep learning convolution and pooling(卷积和池化)
- UFLDL Exercise:Convolution and Pooling
- 【UFLDL-exercise9-Convolution and Pooling】
- UFLDL Exercise: Convolution and Pooling
- Ufldl Exercise:Convolution and Pooling
- [Tensorflow] convolution卷积 && pooling池化
- Stanford UFLDL教程 Exercise:Convolution and Pooling
- UFLDL教程：Exercise:Convolution and Pooling
- Deep Learning 学习随记（七）Convolution and Pooling --卷积和池化
- UFLDL教程答案(8):Exercise:Convolution and Pooling
- UFLDL教程Exercise答案(8)：Convolution and Pooling
- CS231n笔记6--Convolution与Pooling
- 卷积特征提取与池化（Pooling）——处理大型图像
- C++编程小九九
- Hibernate 一对一映射
- Android程序优化之异常终止数据恢复
- Base64编码
- CAS实现SSO单点登录原理
- UFLDL 11 卷积与池化 convolution pooling
- Yii2框架基础篇学习-控制器
- 图的邻接矩阵和邻接表的比较
- 淘宝sui学习笔记1：引用
- delphi7生成简单的验证识别码
- struts2的result中传递多个参数
- ruby环境sass编译中文出现Syntax error: Invalid GBK character错误解决方法
- ComparisonOfDemosacking
- UILabel自适应分行显示
