初学卷积神经网络

T初学卷积神经网络OC

.html

上面链接是写得很好的一份博客，用来参考

我第一次学习CNN，在博客上做一下笔记（[/狗头][/狗头]）
关键词： 滤波器（filter） 窗口（receptive field）
深度/depth
　　 步长/stride （窗口一次滑动的长度）
　　 填充值/zero-padding
CNN的方法：

1. 数据输入层： 去均值， 归一化， PCA/白化去相关
2. 卷积计算层：将一个窗口大小的矩阵，通过矩阵运算，卷积为一个值。从而实现矩阵的特征提取。
3. 激励层：把卷积层输出结果做非线性映射。
4. 池化层：池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。
   简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像（特征不变， 特征降维）
5. 全连接层：两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。也就是跟传统的神经网络神经元的连接方式是一样的

我打算尝试一下LeNet来深入的使用CNN。框架暂定为tensorflow。
这里是tensorflow的实战博客，可以借鉴一下
尝试完之后再更新。（武藤纯子天下第一！）

初学卷积神经网络

T初学卷积神经网络OC

.html

上面链接是写得很好的一份博客，用来参考

我第一次学习CNN，在博客上做一下笔记（[/狗头][/狗头]）
关键词： 滤波器（filter） 窗口（receptive field）
深度/depth
　　 步长/stride （窗口一次滑动的长度）
　　 填充值/zero-padding
CNN的方法：

1. 数据输入层： 去均值， 归一化， PCA/白化去相关
2. 卷积计算层：将一个窗口大小的矩阵，通过矩阵运算，卷积为一个值。从而实现矩阵的特征提取。
3. 激励层：把卷积层输出结果做非线性映射。
4. 池化层：池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。
   简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像（特征不变， 特征降维）
5. 全连接层：两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部。也就是跟传统的神经网络神经元的连接方式是一样的

我打算尝试一下LeNet来深入的使用CNN。框架暂定为tensorflow。
这里是tensorflow的实战博客，可以借鉴一下
尝试完之后再更新。（武藤纯子天下第一！）