CNN知识脉络梳理
来源:互联网 发布:飞车原装雷诺数据 编辑:程序博客网 时间:2024/05/01 04:37
这里梳理了一些CNN的知识脉络。
用来构建CNN的各种层
- 数据输入层/Input layer
去均值;归一化;PCA/白化 - 卷积计算层/CONV layer
局部关联;窗口(receptive field)滑动;参数共享机制;深度/depth、步长/stride、填充值/zero-padding - ReLU激励层/ReLU layer
Sigmoid、Tanh(双曲正切)、ReLU(优选)、Leaky ReLU(次优选)、ELU、Maxout(次优选);梯度消失问题 - 池化层/Pooling layer
下采样、压缩数据和参数量、减小过拟合;Max pooling、average pooling - 全连接层/FC layer
- Batch Normalization layer(Option)
- 输出层/Softmax layer(Option)
CNN训练算法
- 第一步,先定义Loss function
- 找到最小化损失函数的W和b,CNN中用的算法是SGD
- SGD需要计算W和b的偏导
- BP算法是计算偏导用的,其核心是求导链式法则
CNN优缺点
优点:
- 权重共享,极大减少参数量
- 特征是训练出来的,无需手动选取
- 层次深、抽取图像信息丰富,表达效果好
缺点:
- 需要调参,需要大样本量,硬件GPU
- 物理含义不明确
正则化与Dropout
- 传统机器学习正则化算法:L1、L2正则化
- Dropout(随机失活)正则化:防止过拟合;集成学习的思想
典型CNN网络
LeNet(上世纪90年代)、AlexNet(2012)、ZFNet(2013)、GoogLeNet(2014)、VGGNet(2014)、ResNet(2015)
0 0
- CNN知识脉络梳理
- 网站的脉络梳理
- Redis的主要脉络梳理
- 服务端编程技术脉络梳理
- AI自动编程脉络梳理
- 理清知识的脉络
- R-CNN 简单梳理
- 知识梳理
- 知识梳理
- 知识梳理
- 知识梳理
- 知识梳理
- Fast R-CNN 简单梳理
- Faster R-CNN 简单梳理
- 图像边缘检测技术与理论发展脉络梳理
- 知识梳理--查询
- plsql知识梳理-连接
- plsql知识梳理-视图
- 17 - 04 - 16 Web安全(12)
- 负载均衡之【pound】
- Sping Data与Elasticsearch整合
- Caffe新手教程傻瓜系列(8):命令行解析
- treap模版
- CNN知识脉络梳理
- intellij WebStorm、idea控制台中文乱码的问题
- 为什么写函数?
- 通过添加系统调用的方式遍历当前进程
- java 集合框架总结
- 忙碌的一天
- git常用命令
- 【CONCAT】使用之MySQL官方文档翻译
- 聚合数据(问答机器人)