知识卡片
卷积保留输入的二维布局
卷积模型输入保留样本、空间和通道轴。书中两个卷积与池化组合先抽取局部特征,再展平交给全连接层和 10 类 Softmax。训练用交叉熵约束预测分布,准确率用于报告分类效果。
结构图:
flowchart LR
A[图像张量] --> B[卷积提取局部响应]
B --> C[池化压缩空间尺寸]
C --> D[后续卷积和池化]
D --> E[展平特征]
E --> F[全连接输出分类分数]
F --> G[Softmax 归一化]
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
- 神经网络 10.5.3 · 查看原书依据
28矩阵,CNN的输入是4维的张量,所以需要做形状变换。另外,原本图像中每个像素的取值是一个0~255的整数,当图像输入卷积神经网络模型时,一般要转化为0~1范围的数,因此输入数据统一除以255。另外对于输出数据,我
参考来源
- 位置:《AI制胜:机器学习极简入门》第10章 神经网络 §10.5.3(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter10.xhtml#isbn9787302555513_10_1_1_8)
- 结论依据:原文交代输入形状、卷积池化结构和训练目标。
- 原始内容:28矩阵,CNN的输入是4维的张量,所以需要做形状变换。另外,原本图像中每个像素的取值是一个0~255的整数,当图像输入卷积神经网络模型时,一般要转化为0~1范围的数,因此输入数据统一除以255。另外对于输出数据,我