2019年7月26日
摘要：
以上是一个识别手写数字的示例 在这个示例中使用了两个卷积-池化层，三个全连接层和最后的softmax输出层 一般而言，CNN的构成就是由数个卷积层紧跟池化层再加上数个全连接层和输出层来构建网络。 在上述网络中可以看到一个有关参数的现象如下图： 随着卷积网络层数的增加，可以看到有关图片数据的heigh 阅读全文
摘要：
来看上图的简单CNN： 从39x39x3的原始图像 不填充且步长为1的情况下经过3x3的10个filter卷积后 得到了 37x37x10的数据 不填充且步长为2的情况下经过5x5的20个filter卷积后 得到了 17x17x20的数据 不填充且步长为2的情况下经过5x5的40个filter卷积后 阅读全文
摘要：
和单层图像的卷积类似，只需要对每一个filter构成的三层立方体上的每一个数字与原图像对应位置的数字相乘相加求和即可。 在这个时候可以分别设置filter的R、G、B三层，可以同时检测纵向或横向边缘，也可以只检测某一通道的，只需要对其他通道的filter置为0即可。 那么如果要使用filter同时对 阅读全文
摘要：
感谢吴恩达老师的公开课，以下图片均来自于吴恩达老师的公开课课件 为什么要进行卷积操作？ 我们通过前几天的实验已经做了64*64大小的猫图片的识别。 在普通的神经网络上我们在输入层上输入的数据X的维数为(64*64*3, m) 假设第二层的节点数为1000，在全连接网络下，则W的维数为(1000, 6 阅读全文