CNN-卷積神經網路
阿新 • • 發佈：2018-12-10
開局一張圖
資料輸入層
- 去均值：把輸入資料各個維度都中心化到0
注意只是在訓練資料上，測試集上減去的是訓練集上的均值，不要再求測試集的均值。
- 歸一化：幅度歸一到同一範圍。
在實際操作中不用，因為RGB天生就是0-255範圍的
- PCA/白化：白化是對資料每個特徵軸上的幅度歸一化
在實際操作中一般不用，因為在處理影象時會resize，之後的維度就不會很大了
卷積層
為什麼加入填充值？
原因1
原因2
注意：三維卷積，輸出的是單層圖（如果，Q不是整數，向下取整）
引數共享機制
激勵層
why RELU？
池化層
池化層夾在連續的卷積層中間，用於壓縮資料和引數的量，減小過擬合。 簡而言之，如果輸入是影象的話，那麼池化層的最主要作用就是壓縮影象。 這裡再展開敘述池化層的具體作用。 1.特徵不變性，也就是我們在影象處理中經常提到的特徵的尺度不變性，池化操作就是影象的resize， 平時一-張狗的影象被縮小了一倍我們還能認出這是一張狗的照片， 這說明這張影象中仍保留著狗最重要的特徵，我們一看就能判斷影象中畫的是一隻狗，影象壓縮時去掉的資訊只是一些無關緊要的資訊，而留下的資訊則是具有尺度不變性的特徵，是最能表達影象的特徵。
2.特徵降維
3.在一定程度上防止過擬合，更方便優化。
