卷积神经网络CNN第三章
文章目录
Convolutional Neural Network (CNN)
Image Classification
这类问题需要将图像的输入大小一致化
Tensor:超过二维的矩阵
将图片打平然后作为网络的输入
由于输出较多,如果使用 Fully connected Network 很容易出现 Overfitting。
那如何避免 Overfitting ?
通过观察我们可以发现把图片的某些部分作为输入就够了。
将 的一块区域 作为一个 Receptive Field,每个 Neuron 只需要考虑自己的 Receptive Field 中的东西,再将其拉直,然后作为一个 Neuron 的输入。
Receptive Field 大小等可以自己定义。
Receptive Field 典型的设置:
一般来说 Channel 都会被考虑,所以我们只需要考虑 高和宽了,也就是 Kernel Size,一般使用 的 Kernel Size。
移动的范围:Stride(步长)。
超出范围(overlap)的解决办法:padding 扩充图片。
对有的 Receptive Field 共享参数,因为输入不一样,输出不一样,而如果输入一样的话,其输出就一样。
两个 Receptive Field 都具有多个 Neuron,如果他们的第一个 Neuron 共享参数,这组参数就叫做 filter 1。
由于一张图片不需要看全部而只需要看一小部分,所以出现了 Receptive Field 的概念,所以这个 Neuron 的弹性变小了,加入参数共享之后,有的 Neuron 的参数就会一模一样。
Fully Connected 的 Network 它可以自己决定 Neuron 看一张图片的全部还是一部分。
Convolutional Layer
有一排 filter,一个 filter 的大小:,filter 用于在图片里面抓取 Pattern。
假如 channel 大小是 1,filter 是一个 的 Tensor,而 Tensor 中的数值就是 model 里面的 参数,假设这些参数已知。
这些 filter 如何在图片上侦测 pattern?
新产生的 Tensor 叫做:Feture Map
第二层的 filter 的 channel 大小是 64
network 叠的越深,他所能看到的范围越就会来越大。
Neuron 对应的参数就是 filter 中的数值。
将一个 filter 扫过一张图片叫做 Convolution。而一张 filter 扫过一张图片,就相当于 Neuron 共享同一组参数。
Pooling — Max Pooling
可以发现一张图片缩小(subsampling)后看,还是可以看出图片的本质。
通过 Pooling 可以到达缩小图片的效果。
目的:减少数据和运算量。
max pooling:
一般的 CNN 结构。
Spatial Transformer Layer
CNN is not invariant to scaling and rotation
Fully connected Network 可以实现对图片进行旋转,平移,缩放(可以通过参数值来实现)。
缩放/扩大
旋转
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhiaijfa
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
微信运动停用后别人还能看到步数吗
PHP中文网 07-22