卷积层 卷积层向前传播示意图： 卷积层反向传播示意图： 池化层（亦下采样层） 池化层向前传播： 和卷积层类似，但是更简单一点，只要在对应feature map的原输入上取个窗口然后池化之即可， 池化层反向传播： 反向传播的时候也是还原窗口，除最大值处继承上层梯度外（也就是说本层梯度为零），其他位置置 ...
分类：
其他好文 时间：
2017-07-24 11:34:58
阅读次数：
166
之前的博文中已经将卷积层、下採样层进行了分析。在这篇博文中我们对最后一个顶层层结构fully_connected_layer类（全连接层）进行分析： 一、卷积神经网路中的全连接层 在卷积神经网络中全连接层位于网络模型的最后部分，负责对网络终于输出的特征进行分类预測，得出分类结果： LeNet-5模型 ...
分类：
编程语言 时间：
2017-07-22 19:48:30
阅读次数：
219
1、最大池化 max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似。 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所 ...
分类：
其他好文 时间：
2017-07-21 19:47:00
阅读次数：
486
在之前的博文中我们着重分析了convolutional_layer类的代码结构。在这篇博文中分析相应的下採样层average_pooling_layer类： 一、下採样层的作用 下採样层的作用理论上来说由两个，主要是降维，其次是提高一点特征的鲁棒性。在LeNet-5模型中。每一个卷积层后面都跟着一个 ...
分类：
编程语言 时间：
2017-07-18 22:12:58
阅读次数：
1156
输入层 隐藏层 激励函数 BR 卷积层： 观察所需要的信息 池化层（下采样层） 最后实现分类 softmax激励函数 输出层 训练方法 数据集进行处理 训练 model 测试方法 加载.mat文件 实现分类、归一化处理 实现测试集结果 ...
分类：
其他好文 时间：
2017-07-18 11:49:44
阅读次数：
150
首先的阶段由卷积层和池化层组成，卷积的节点组织在特征映射块（feature maps）中，每个节点与上一层的feature maps中的局部块通过一系列的权重即过滤器连接。加权和的结果被送到非线性函数中如ReLU。一个feature maps中所有的节点分享相同的过滤器，即共享权重。这种结构的原因是 ...
分类：
其他好文 时间：
2017-07-17 10:03:54
阅读次数：
159
只有conv和fc层有权重和偏置。relu，pooling是固定函数，没有参数 每一个卷积层都是接受一个3D输入，给出一个3D输出。比如input 227*227*3 -> conv1 (kernal size:11*11, stride:4, kernals:96) -> 55*55*96 -> ...
分类：
其他好文 时间：
2017-07-07 16:36:40
阅读次数：
153
卷积神经网络的总体架构是金字塔型，如下图。 CNNs架构图 可以看到，每一层的channel数量是变化的。如上图中，左边的第一层只有R、G、B三个channel，第二层有16个channel，第三、四层分别有64、256个。 那么这些channel数量是如何变化的呢？ 基本过程： 对于输入图片的每一 ...
分类：
其他好文 时间：
2017-06-20 00:19:12
阅读次数：
386
介绍tensorflow中的网络API，包含：卷积层，池化层，激活函数（含dropout和bias_add）函数。 ...
分类任务 CNN对于常见的分类任务，基本是一个鲁棒且有效的方法。例如，做物体分类的话，入门级别的做法就是利用caffe提供的alexnet的模型，然后把输出的全连接层稍稍修改称为自己想要的类别数，然后再根据实际需要修改网络模型（通常是瘦身）。下面记录几个point。 关于crop 一般在训练的时候会 ...
分类：
其他好文 时间：
2017-06-08 01:28:42
阅读次数：
1394
