【原创 深度学习与TensorFlow 动手实践系列 - 3】第三课:卷积神经网络 - 基础篇

 

【原创 深度学习与TensorFlow 动手实践系列 - 3】第三课:卷积神经网络 - 基础篇

 

 

 

提纲:

1. 链式反向梯度传到

2. 卷积神经网络 - 卷积层

3. 卷积神经网络 - 功能层

4. 实例:卷积神经网络MNIST分类

 

 

期待目标:

1. 清楚神经网络优化原理,掌握反向传播计算

2. 掌握卷积神经网络卷积层的结构特点,关键参数,层间的连接方式。

3. 了解不同卷积神经网络功能层的作用,会进行简单的卷积神经网络结构设计。

4. 能够运行TensorFlow卷积神经网络 MNIST。 

 

 

 

 

 

f(x, y, z) = (x + y) * z

(3.00 + 1.00) * -2.00 = -8.00 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1. 什么是卷积层

2. 有什么组成

3. 受什么影响,有何特点

4. 怎么工作

 

卷积层

1. 卷积神经网络基本结构

2. 由多个卷积核组合形成

3. 每个卷积核同输入数据卷积运算,形成新的特征“图”

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

非线性激励层(None-linear activation layer):卷积是线性运算,增加非线性描述能力

 

 

降维:特征图稀疏,减少数据运算量,保持精度

池化层(Pooling Layer)- 降维:

1. 数据降维,方便计算,存储(max,ave)

2. 池化过程中,每张特征图单独降维

 

 归一化:特征的scale保持一致。

 

 

 

 

 

 

 

 

卷积神经网络(CNN) - 基础 演示代码:

https://github.com/wiibrew/DeepLearningCourseCodes

https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_3_tf_mnist_cnn.py

https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_3_tf_mnist_cnn.ipynb

卷积神经网络运行情况:

 

posted @ 2017-06-06 19:26  Jonson Li  阅读(986)  评论(0编辑  收藏  举报