摘要：
1、关于池化层就是减少一部分参数，减少了过拟合 2、卷积核和窗口的区别 在卷积层当中，如果输入的通道有三个那抹每个卷积核也有三个对应的小卷积核，最后得出一个结果是三个小卷积核的结果进行叠加。最后有几个卷积核，就有多少通道，因为每个卷积核都不一样，自然得到的结果也不一样了。而窗口是不带权值的，对于有多 阅读全文
摘要：
1、sigmoid函数有以下缺点，随着x值的增大，梯度就基本消失了，6之后的值基本就是没梯度了。而且sigmoid函数计算量非常的大。输入值的范围为[-6,6] 2、引进rulu函数 有效解决sigmoid函数问题 无论x的值多大，梯度基本不会消失，一直按照线性增长，同时计算非常的快，不想sigmo 阅读全文
摘要：
恢复内容开始 恢复内容开始 1、卷积神经网络和传统神经网络的比较，也就是说，简单地神经网络nn即三个层 输入层、隐藏层、输出层而卷积神经网络则是在神经网络的基础上即 cnn 输入层 隐藏层：卷积层、激活层、池化层、全连接层 输出层 nn 输入层 隐藏层：全连接层 输出层 2、卷积神经网络原理 即卷积 阅读全文