知识卡片
LeNet结构:卷积池交替接全连接
LeNet系列把稀疏连接、卷积与最大池放在核心:较低层由卷积层和最大池层交替堆叠,逐层扩大感受野、压缩空间尺寸;较高层则是全连接,等价于传统MLP的隐含层加Logistic回归。输入到第一个全连接层的是前面所有特征图的集合。实现上,低层在4维张量上运算,进入全连接前需把张量扁平化(flatten)成光栅化的2维矩阵——每行一个样本、列为各特征图展开后的像素——才能与MLP的HiddenLayer、LogisticRegression兼容。这个卷积池提特征、全连接做分类的分工是CNN的基本范式。
结构图:
flowchart LR
A[输入图像4D张量] --> B[卷积层]
B --> C[最大池层]
C --> D[卷积层]
D --> E[最大池层]
E --> F[扁平化为2D矩阵]
F --> G[全连接隐含层]
G --> H[Logistic输出层]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第10章 认知计算与深度学习 · 查看原书依据
较低层由卷积层和最大池层交替构成。更高层是全连接的,并且对应于传统的MLP(隐含层+Logistic回归)。
参考来源
- 位置:《机器学习算法原理与编程实践》第10章 认知计算与深度学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00034.html)
- 结论依据:原文说明LeNet低层卷积与最大池交替、高层全连接对应传统MLP,并指出4D张量需扁平化为2D矩阵才能与MLP实现兼容。
- 原始内容:较低层由卷积层和最大池层交替构成。更高层是全连接的,并且对应于传统的MLP(隐含层+Logistic回归)。