知识卡片
卷积神经网络
深度网络参数量巨大难训练,CNN用卷积和池化大幅减少参数。卷积层通过稀疏连接(神经元只连局部邻近节点,缩小感受野)和权值共享(同一卷积核在全图复用同一组权重)显著降低权值数。池化用区域统计特征(如最大值)表示局部,实现下采样。卷积网络相当于在前向网络中注入图像网格结构的强先验,因此特别适合图像输入;视频游戏画面即图像,故用CNN逼近值函数效果很好,LeNet展示了卷积与池化交替堆叠的典型结构。
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6章 基于值函数逼近的强化学习方法 · 查看原书依据
在深度神经网络中,网络的参数个数往往达到几万甚至几百万,很难训练。卷积神经网络则通过卷积和池化降低参数个数,加快网络训练过程。
参考来源
- 位置:《深入浅出强化学习:原理入门》第6章 基于值函数逼近的强化学习方法(源文件:extracted/深入浅出强化学习:原理入门/_epub-src/OEBPS/text00015.html)
- 结论依据:正文说明CNN用卷积与池化降低参数、介绍稀疏连接与权值共享两大机制,并指出其对图像类网格数据的适用性。
- 原始内容:在深度神经网络中,网络的参数个数往往达到几万甚至几百万,很难训练。卷积神经网络则通过卷积和池化降低参数个数,加快网络训练过程。