深度學習應用開發 課件 cha4 8-卷積神經網絡_第1頁
深度學習應用開發 課件 cha4 8-卷積神經網絡_第2頁
深度學習應用開發 課件 cha4 8-卷積神經網絡_第3頁
深度學習應用開發 課件 cha4 8-卷積神經網絡_第4頁
深度學習應用開發 課件 cha4 8-卷積神經網絡_第5頁
已閱讀5頁，還剩8頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

目錄1卷積神經網絡的定義01任務卷積神經網絡的層級結構02任務1卷積神經網絡的定義1卷積神經網絡的定義卷積神經網絡（ConvolutionalNeuralNetworks,簡稱CNN）：是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習（deeplearning）的代表算法之一。如下是第一個使用卷積操作的LeNet-5的網絡結構：著名的CNN

LeNet-5整體結構2卷積神經網絡的層級結構2卷積神經網絡的層級結構卷積神經網絡（CNN）一般由輸入層（Input）、卷積層（Conv）、激活函數（ReLU）、池化層（Pooling）、全連接層（FC）組成。2卷積神經網絡的層級結構1、輸入層輸入層一般用來接收RGB圖像，輸入的是圖像的像素矩陣：2卷積神經網絡的層級結構2、卷積層卷積是從輸入圖像中提取特征的第一層，Conv層的目標是提取輸入數據的特征。卷積通過使用卷積核在輸入圖像上滑動，以提取圖像特征，同時保持像素之間的關系。2卷積神經網絡的層級結構我們一般用層數較多的卷積神經網絡得到更深層次的特征2卷積神經網絡的層級結構3、激活函數激活函數ReLU為例，ReLU代表整流線性單元，用于非線性操作：2卷積神經網絡的層級結構4、池化層池化層夾在連續的卷積層中間，用于壓縮數據和參數的量，也稱為子采樣層或下采樣層2卷積神經網絡的層級結構5、全連接層我們稱之為FC（fullyconnectedlayers，FC）層，我們將矩陣展平為矢量并將其饋入神經網絡的全連接層，通過激活功能，

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論