摘要：
谷歌 Inception 网络简介（ Inception network motivation） 构建卷积层时，你要决定过滤器的大小究竟是 1×1， 3×3 还是 5×5，或者要不要添加池化层。而 Inception 网络的作用就是代替你来决定，虽然网络架构因此变得更加复杂，但网络表现却非常好。 例 阅读全文
摘要：
网络中的网络以及 1×1 卷积（ Network in Network and 1×1 convolutions） 过滤器为 1×1，这里是数字 2，输入一张 6×6×1 的图片，然后对它做卷积，起过滤器大小为 1×1×1，结果相当于把这个图片乘以数字 2，所以前三个单元格分别是 2、 4、 6 等 阅读全文
摘要：
残差网络为什么有用？（ Why ResNets work?） 一个网络深度越深，它在训练集上训练的效率就会有所减弱，这也是有时候我们不希望加深网络的原因。而事实并非如此，至少在训练 ResNets网络时，并非完全如此，举个例子： 设有一个大型神经网络，其输入为X，输出激活值${a^{[l]}}$ 。 阅读全文
摘要：
残差网络（Residual Networks (ResNets)） 非常非常深的神经网络是很难训练的，因为存在梯度消失和梯度爆炸问题。 跳跃连接（ Skip connection），它可以从某一层网络层获取激活，然后迅速反馈给另外一层，甚至是神经网络的更深层。我们可以利用跳跃连接构建能够训练深度网络 阅读全文
摘要：
经典网络（Classic networks） LeNet-5 假设你有一张 32×32×1 的图片， LeNet-5 可以识别图中的手写数字，比如像这样手写数字 7。 LeNet-5 是针对灰度图片训练的，所以图片的大小只有 32×32×1。 使用 6 个 5×5的过滤器，步幅为 1。由于使用了 6 阅读全文