知识卡片
卷积神经网络整体架构
卷积神经网络是一种前馈神经网络,由一个或多个卷积层、顶端的全连接层,以及关联权重和池化层等构成。典型架构按数据流向依次为输入、卷积层反复提取特征、池化层下采样降维、全连接层完成分类映射,最后输出层给出类别概率。相比传统全连接网络,它用更少的参数获得更高性能,并可用反向传播训练。这种架构也是图像与语音识别任务的基础骨架,后续各层细节见 [[增加通道与卷积核]] 与 [[加深网络扩大感受野]]。
结构图:
classDiagram
class Input {
+image
}
class ConvLayer {
+filters
+featureExtraction
}
class PoolingLayer {
+downsample
}
class FcLayer {
+classify
}
class Output {
+classProbability
}
Input --> ConvLayer
ConvLayer --> PoolingLayer
PoolingLayer --> FcLayer
FcLayer --> Output
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3章 计算机视觉处理 · 查看原书依据
卷积神经网络由一个或多个卷积层和顶端的全连接层(对应经典的神经网络)组成,同时也包括关联权重和池化层(Pooling Layer)等。与其他深度学习架构相比,卷积神经网络能够在图像和语音识别方面给出更好的结果。这一模型也可以使用反向传播算法进行训练。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第3章 计算机视觉处理(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter6_0001.xhtml)
- 结论依据:原文概括了 CNN 由卷积层和顶端全连接层组成,并包含池化层等,指出其参数更少、性能更高且可用反向传播训练。
- 原始内容:卷积神经网络由一个或多个卷积层和顶端的全连接层(对应经典的神经网络)组成,同时也包括关联权重和池化层(Pooling Layer)等。与其他深度学习架构相比,卷积神经网络能够在图像和语音识别方面给出更好的结果。这一模型也可以使用反向传播算法进行训练。