1.CNN的应用

了解 WaveNet 模型。
- 如果你能训练人工智能机器人唱歌，干嘛还训练它聊天？在 2017 年 4 月，研究人员使用 WaveNet 模型的变体生成了歌曲。原始论文和演示可以在此处找到。
了解文本分类 CNN。
- 你或许想注册作者的深度学习简讯！
了解 Facebook 的创新 CNN 方法(Facebook) ，该方法专门用于解决语言翻译任务，准确率达到了前沿性水平，并且速度是 RNN 模型的 9 倍。
利用 CNN 和强化学习玩 Atari 游戏。你可以下载此论文附带的代码。
- 如果你想研究一些（深度强化学习）初学者代码，建议你参阅 Andrej Karpathy 的帖子。
利用 CNN 玩看图说词游戏！
- 此外，还可以参阅 A.I. Experiments 网站上的所有其他很酷的实现。别忘了 AutoDraw！
详细了解 AlphaGo。
- 阅读这篇文章，其中提出了一个问题：如果掌控 Go“需要人类直觉”，那么人性受到挑战是什么感觉？
观看这些非常酷的视频，其中的无人机都受到 CNN 的支持。
- 这是初创企业 Intelligent Flying Machines (IFM) (Youtube) 的访谈。
- 户外自主导航通常都要借助全球定位系统 (GPS) ，但是下面的演示展示的是由 CNN 提供技术支持的自主无人机(Youtube)。
如果你对无人驾驶汽车使用的 CNN 感兴趣，请参阅：
- 我们的无人驾驶汽车工程师纳米学位课程，我们在此项目中对德国交通标志数据集中的标志进行分类。
- 我们的机器学习工程师纳米学位课程，我们在此项目中对街景门牌号数据集中的门牌号进行分类。
- 这些系列博客，其中详细讲述了如何训练用 Python 编写的 CNN，以便生成能够玩“侠盗猎车手”的无人驾驶 AI。
参阅视频中没有提到的其他应用情形。
- 一些全球最著名的画作被转换成了三维形式，以便视力受损人士也能欣赏。虽然这篇文章没有提到是怎么做到的，我们注意到可以使用 CNN 预测单个图片的深度。
- 参阅这篇关于使用 CNN 确定乳腺癌位置的研究论文(google research)。
- CNN 被用来拯救濒危物种！
- 一款叫做 FaceApp 的应用使用 CNN 让你在照片中是微笑状态或改变性别。

2.MLP和CNN的区别

项目：【MNIST MLP练习】

MLP（多层感知器）
- 1.将输入的矩阵转换成向量，然后送到隐藏层，这样会丢失一些二维信息
- 2.对于一些小的图片，比如：28px * 28px，想要达到好的预测效果，参数都超过60万了

如图：4 x 4的矩阵转换成16维向量后，当做输入传递给MLP，这是具有一个隐藏层（四个节点）的MLP，输出层有10个节点，输出时有一个softmax函数，返回一个十维的向量，包含图片描述的0到9的数字的可能概率。

CNN（卷积神经网络）
- 1.接受矩阵作为输入，不需要将矩阵转换成向量
- 2.每一个输入，并不需要与所有的节点相关联
- 3.通过指定过滤器的数量和大小，控制卷积层的行为

卷积神经网络

特征映射要求，输入的图片格式一样大小的。

局部连接层
- 1.包含更少的权重，
- 2.局部相连，节点仅与上一层中的小部分节点相连
- 3.空间内共享参数

全连接层 Dense(密集层)
- 1.每个节点与前一层中的每个节点相连

卷积窗（过滤器），stride为1的移动动画

Keras的卷积层使用方法

Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)

参数
必须传递以下参数：
- filters - 过滤器数量。
- kernel_size - 指定（方形）卷积窗口的高和宽的数字。

你可能还需要调整其他可选参数：
- strides - 卷积 stride。如果不指定任何值，则 strides 设为 1。
- padding - 选项包括 ‘valid’ 和 ‘same’。如果不指定任何值，则 padding 设为 ‘valid’。
- activation - 通常为 ‘relu’。如果未指定任何值，则不应用任何激活函数。强烈建议你向网络中的每个卷积层添加一个 ReLU 激活函数。
- input_shape - 指定输入的高度、宽度和深度（按此顺序）的元组。

注意：可以将 kernel_size 和 strides 表示为数字或元组。
注意：如果卷积层不是网络的第一个层级，请勿包含 input_shape 参数。

更多详细参数使用案例，查阅官方文档

公式：卷积层中的参数数量

卷积层中的参数数量取决于 filters、kernel_size 和 input_shape 的值。

K - 卷积层中的过滤器数量
F - 卷积过滤器的高度和宽度
D_in - 上一层级的深度

注意：K = filters，F = kernel_size。类似地，D_in 是 input_shape 元祖中的最后一个值。
因为每个过滤器有 F*F*D_in 个权重，卷积层由 K 个过滤器组成，因此卷积层中的权重总数是 K*F*F*D_in。
因为每个过滤器有 1 个偏差项，卷积层有 K 个偏差。因此，卷积层中的参数数量是 K*F*F*D_in + K。

公式：卷积层的形状

卷积层的形状取决于 kernel_size、input_shape、padding 和 stride 的值。我们定义几个变量：

K - 卷积层中的过滤器数量
F - 卷积过滤器的高度和宽度
H_in - 上一层级的高度
W_in - 上一层级的宽度

注意：K = filters、F = kernel_size，以及S = stride。类似地，H_in 和 W_in 分别是 input_shape 元祖的第一个和第二个值。

卷积层的深度始终为过滤器数量 K。

如果 padding = ‘same’，那么卷积层的空间维度如下：

height = ceil(float(H_in) / float(S))
width = ceil(float(W_in) / float(S))

如果 padding = ‘valid’，那么卷积层的空间维度如下:

height = ceil(float(H_in - F + 1) / float(S))
width = ceil(float(W_in - F + 1) / float(S))

池化层

池化层总是将卷积层作为输入。
卷积层是指特征映射堆栈，每个过滤器对应一个特征映射，且负责从图片中查找一种规律
过滤器越多，堆栈越大，维度就越高，参数也会更多，这就很可能导致过拟合，因此我们需要降低维度，这就是池化层在卷积神经网络中扮演的角色。

最大池化层 Max Pooling Layer

就是在卷积窗（过滤器）在移动过程中，每次取最大的那个数，这样就一次一次的卷积运算，都会将维度，降低矩阵大小，如下图

每个特征映射的宽和高都减小了，如下图

代码实例：

from keras.models import Sequential
from keras.layers import MaxPooling2Dmodel = Sequential()
model.add(MaxPooling2D(pool_size=2, strides=2, input_shape=(100, 100, 15)))
model.summary()

参数

你必须包含以下参数：
- pool_size - 指定池化窗口高度和宽度的数字。

你可能还需要调整其他可选参数：
- strides - 垂直和水平 stride。如果不指定任何值，则 strides 默认为 pool_size。
- padding - 选项包括 'valid' 和 'same'。如果不指定任何值，则 padding 设为 'valid'。
注意：可以将 pool_size 和 strides 表示为数字或元组。

此外，建议阅读官方文档。

举栗子：
假设我要构建一个 CNN，并且我想通过在卷积层后面添加最大池化层，降低卷积层的维度。假设卷积层的大小是 (100, 100, 15)，我希望最大池化层的大小为 (50, 50, 15)。要实现这一点，我可以在最大池化层中使用 2x2 窗口，stride 设为 2，代码如下：

MaxPooling2D(pool_size=2, strides=2)

当然了，stride 也可以为 1。

全局平均池化 Global Average Pooling Layer

全局平均池化，既不指定卷积窗（kernel_size）大小，也不指定 stride，这是一种更极端的降低维度的池化类型，过程是：

1.它获得了一堆的特征映射
2.并计算每个映射的节点均值（均值，就是先对所有的节点值求和，然后除以总节点数）
3.这样的话，每个特征映射都缩减成了一个值

最后全局平均池化就将一个三维的数组转变成了一个向量

了解不同类型的池化层，请参阅该 Keras 文档

第一个CNN的架构介绍

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Densemodel = Sequential()
model.add(Conv2D(filters=16, kernel_size=2, padding='same', activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Flatten())
model.add(Dense(500, activation='relu'))
model.add(Dense(10, activation='softmax'))

注意事项

始终向 CNN 中的 Conv2D 层添加 ReLU 激活函数。但是网络的最后层级除外，密集层也应该具有 ReLU 激活函数。
在构建分类网络时，网络中的最后层级应该是具有 softmax 激活函数的密集层。最后层级的节点数量应该等于数据集中的类别总数。
建议参阅 Andrej Karpathy 的 tumblr（来自外网，可能打不开），其中包含了用户提交的损失函数，对应的是本身有问题的模型。损失函数在训练期间应该是减小的，但是这些图表显示的却是非常不同的行为 :)。

【测试小项目】cifar10_mlp.ipynb 和 cifar10_cnn.ipynb
https://github.com/IntelligentPeople/aind2-cnn/tree/master/cifar10-classification

增强图片的训练

为什么要增强图片的训练？这是因为图片数据集中的预测目标对象不可能都是在正中间，有的图片倾斜着，有的图片歪倒着，这就需要我们来生成一些位置不一样的同类图片，加入到训练集中。

Rotation Invariance 旋转不变性
Translation Invariance 平移不变性

这就需要用到 ImageDataGenerator 类

from keras.preprocessing.image import ImageDataGenerator# create and configure augmented image generator
datagen_train = ImageDataGenerator(width_shift_range=0.1,  # randomly shift images horizontally (10% of total width)height_shift_range=0.1,  # randomly shift images vertically (10% of total height)horizontal_flip=True) # randomly flip images horizontally# fit augmented image generator on data
datagen_train.fit(x_train)

训练时，将 fit() 函数换成了 fit_generator()

from keras.callbacks import ModelCheckpoint   batch_size = 32
epochs = 100# train the model
checkpointer = ModelCheckpoint(filepath='aug_model.weights.best.hdf5', verbose=1, save_best_only=True)
model.fit_generator(datagen_train.flow(x_train, y_train, batch_size=batch_size),steps_per_epoch=x_train.shape[0] // batch_size,epochs=epochs, verbose=2, callbacks=[checkpointer],validation_data=(x_valid, y_valid),validation_steps=x_valid.shape[0] // batch_size)

在 Keras 中，封装了一些著名的 CNN 预训练模型
- Xception
- VGG16
- VGG19
- ResNet50
- InceptionV3
- InceptionResNetV2
- MobileNet
- DenseNet
- NASNet

可视化CNN

斯坦福大学某节课中提到的可视化：http://cs231n.github.io/understanding-cnn/
可视化CNN的 OpenFrameworks 的演示

这是另一个 CNN 可视化工具的演示。如果你想详细了解这些可视化图表是如何制作的，请观看此视频。

这是另一个可与 Keras 和 Tensorflow 中的 CNN 无缝合作的可视化工具。

阅读这篇可视化 CNN 如何看待这个世界的 Keras 博文。在此博文中，你会找到 Deep Dreams 的简单介绍，以及在 Keras 中自己编写 Deep Dreams 的代码。阅读了这篇博文后：

再观看这个利用 Deep Dreams 的音乐视频（注意 3:15-3:40 部分）！
使用这个网站创建自己的 Deep Dreams（不用编写任何代码！）。

如果你想详细了解 CNN 的解释
这篇文章详细讲解了在现实生活中使用深度学习模型（暂时无法解释）的一些危险性。
这一领域有很多热点研究。这些作者最近朝着正确的方向迈出了一步。

深度可视化工具箱

假如有一个三层的Conv2d的网络模型，那么它发现规律的流程是

第一层级将检测图片中的边缘
第二层级将检测形状
第三个卷积层将检测更高级的特征

著名卷积网络

AlexNet

TensorFlow 的CNN

卷积层 tf.nn.conv2d()

上述代码用了 tf.nn.conv2d() 函数来计算卷积，weights 作为滤波器，[1, 2, 2, 1] 作为 strides。TensorFlow 对每一个 input 维度使用一个单独的 stride 参数，[batch, input_height, input_width, input_channels]。我们通常把 batch 和 input_channels （strides 序列中的第一个第四个）的 stride 设为 1。

你可以专注于修改 input_height 和 input_width， batch 和 input_channels 都设置成 1。input_height 和 input_width strides 表示滤波器在input 上移动的步长。上述例子中，在 input 之后，设置了一个 5x5 ，stride 为 2 的滤波器。

# Output depth
k_output = 64# Image Properties
image_width = 10
image_height = 10
color_channels = 3# Convolution filter
filter_size_width = 5
filter_size_height = 5# Input/Image
input = tf.placeholder(tf.float32,shape=[None, image_height, image_width, color_channels])# Weight and bias
weight = tf.Variable(tf.truncated_normal([filter_size_height, filter_size_width, color_channels, k_output]))
bias = tf.Variable(tf.zeros(k_output))conv_layer = tf.nn.conv2d(input, weight, strides=[1, 2, 2, 1], padding='SAME')
conv_layer = tf.nn.bias_add(conv_layer, bias)
conv_layer = tf.nn.relu(conv_layer)

最大池化层tf.nn.max_pool()

ksize 和 strides 参数也被构建为四个元素的列表，每个元素对应 input tensor 的一个维度 ([batch, height, width, channels])，对 ksize 和 strides 来说，batch 和 channel 通常都设置成 1。

conv_layer = tf.nn.max_pool(conv_layer,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')

池化层总的来说，目的是：减小输入大小，降低过拟合，相应的参数也减少了很多。
但是，近期，池化层并不是很受青睐，部分原因是：

现在的数据集又大又复杂，我们更关心欠拟合问题
dropout是一种更好的正则化方法
池化导致信息丢失，想象最大池化的例子，n个数字当中，我们只保留最大的，把剩余的n-1完全舍弃了。

小练习

最大池化层练习 Max Pooling Layer

假如输入数据是

[[[0, 1, 0.5, 10],[2, 2.5, 1, -8],[4, 0, 5, 6],[15, 1, 2, 3]]]

filter_size=(2, 2), strides=(2, 2), 输出维度: 2x2x1，那么经过最大池化层后的结果是：

[2.5,10,15,6]

计算方式

max(0, 1, 2, 2.5) = 2.5
max(0.5, 10, 1, -8) = 10
max(4, 0, 15, 1) = 15
max(5, 6, 2, 3) = 6

全局平均池化 Global Average Layer

假如输入数据是：

[[[0, 1, 0.5, 10],[2, 2.5, 1, -8],[4, 0, 5, 6],[15, 1, 2, 3]]]

filter_size=(2, 2), strides=(2, 2), 输出维度: 2x2x1，那么经过全局平均池化层后的结果是：

1.375,0.875,5.0,4.0

计算方式是：

mean(0, 1, 2, 2.5) = 1.375
mean(0.5, 10, 1, -8) = 0.875
mean(4, 0, 15, 1) = 5
mean(5, 6, 2, 3) = 4

1x1卷积

1.1x1卷积会增加参数数量
2.它关注的是一个像素，而不是一块图像
3.相较于池化，它更高效

Inception 模块

通过1x1的卷积输出给 1x1、3x3、5x5的卷积后，再将他们组合起来输出，看起来有点复杂，但是要比简单的卷积好的多
类似如下图

测试项目【使用TensorFlow的CNN来训练数据】

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import math# 1.导入MNIST数据集
mnist = input_data.read_data_sets(".", one_hot=True, reshape=False)# 2.设置一些参数
learning_rate = 0.00001
epochs = 10
batch_size = 128test_valid_size = 256n_classes = 10
dropout = 0.75# weights = [filter_size_height, filter_size_width, color_channels, k_output]
weights = {'wc1': tf.Variable(tf.random_normal([28, 28, 1, 32])),'wc2': tf.Variable(tf.random_normal([14, 14, 32, 64])),'wd1': tf.Variable(tf.random_normal([7*7*64, 1024])),'out': tf.Variable(tf.random_normal([1024, n_classes]))}biases = {'bc1': tf.Variable(tf.random_normal([32])),'bc2': tf.Variable(tf.random_normal([64])),'bd1': tf.Variable(tf.random_normal([1024])),'out': tf.Variable(tf.random_normal([n_classes]))
}# 3.创建卷积函数
def conv2d(x, W, b, strides=1):# strides = [batch, input_height, input_width, input_channels]x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding="SAME")x = tf.nn.bias_add(x, b)return tf.nn.relu(x)# 创建最大池化层函数
def maxpool2d(x, k=2):return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 1], padding="SAME")# 创建卷积网络函数
def conv_net(x, weights, biases, dropout):# Layer 1 - 28*28*1 to 14*14*32conv1 = conv2d(x, weights['wc1'], biases['bc1'])  # 28*28*1conv1 = maxpool2d(conv1, k=2) # 14*14*32# Layer 2 - 14*14*32 to 7*7*64conv2 = conv2d(conv1, weights['wc2'], biases['bc2']) # 14*14*32conv2 = maxpool2d(conv2, k=2) # 7*7*64fc1 = tf.reshape(conv2, [-1, weights['wd1'].get_shape().as_list()[0]])fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])fc1 = tf.nn.relu(fc1)fc1 = tf.nn.dropout(fc1, dropout)out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])return out# inputs = [bach_size, image_height, image_width, color_channels]
x = tf.placeholder(tf.float32, [None, 28, 28, 1])
y = tf.placeholder(tf.float32, [None, n_classes])# 留存率 训练时=0.5，验证和测试时=1.0
keep_prob = tf.placeholder(tf.float32) # 计算输出层的线性激活函数 logit score
logits = conv_net(x, weights, biases, keep_prob)# 创建误差项
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(cost)# 预测是否正确
correct_pred = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
# 获得精确度
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))# 4.训练网络
with tf.Session() as session:# 初始化tensorflow的所有变量session.run(tf.global_variables_initializer())# 迭代 epoch 次for epoch in range(epochs):# 计算需要多少个 batchbatches = int(math.ceil(mnist.train.num_examples // batch_size))# 每次 epoch，需要训练分类器 batches 次for batch in range(batches):# 获取下一个批次的训练数据batch_x, batch_y = mnist.train.next_batch(batch_size)# 训练数据session.run(optimizer, feed_dict={x: batch_x, y: batch_y, keep_prob: dropout})# 计算训练误差值loss = session.run(cost, feed_dict={x: batch_x, y: batch_y, keep_prob: 1.})# 计算训练精准度vali_acc = session.run(accuracy, feed_dict={x: mnist.validation.images[:test_valid_size], y: mnist.validation.labels[:test_valid_size], keep_prob: 1.})print("Epoch={:>2} Batch={:>3} Loss={:.4f} Validation Accuracy={:.6f}".format(epoch+1, batch+1, loss, vali_acc))# 最后训练完后，根据测试数据集得出测试精准度test_acc = session.run(accuracy, feed_dict={x: mnist.test.images[:test_valid_size], y: mnist.test.labels[:test_valid_size], keep_prob: 1.})print("Test Accuracy: {}".format(test_acc))

test accuracy是：

Test Accuracy: 0.9609375

【小项目】练习 keras版本的CNN和transfer learning : https://github.com/IntelligentPeople/aind2-cnn

课外阅读
Andrej Karpathy’s CS231n Stanford course on Convolutional Neural Networks.
Michael Nielsen’s free book on Deep Learning.
Goodfellow, Bengio, and Courville’s more advanced free book on Deep Learning.

参考：
https://www.youtube.com/embed/HrYNL_1SV2Y
局部连接性：https://www.youtube.com/embed/z9wiDg0w-Dc
卷积层1：https://www.youtube.com/embed/h5R_JvdUrUI
卷积层2：https://www.youtube.com/embed/RnM1D-XI–8
自己创建过滤器。然后，你可以使用你的摄像头作为卷积层的输入，并可视化对应的激活映射！：http://setosa.io/ev/image-kernels/
network in network：https://arxiv.org/abs/1312.4400
使用CNN竞赛的数据集CIFAR-10参阅: http://blog.kaggle.com/2015/01/02/cifar-10-competition-winners-interviews-with-dr-ben-graham-phil-culliton-zygmunt-zajac/
梯度消失的详细处理方案：http://neuralnetworksanddeeplearning.com/chap5.html
可视化CNN介绍：https://www.youtube.com/embed/mnqS_EhEZVg

深度学习之七【卷积神经网络 CNN】相关推荐

深度学习～卷积神经网络(CNN)概述
目录 1. 卷积神经网络的形成和演变 1.1 卷积神经网络结构 1.2 卷积神经网络的应用和影响 1.3 卷积神经网络的缺陷和视图 1.3.1 缺陷:可能错分 1.3.2 解决方法:视图 ...
深度学习之卷积神经网络CNN
转自:https://blog.csdn.net/cxmscb/article/details/71023576 一.CNN的引入在人工的全连接神经网络中,每相邻两层之间的每个神经元之间都是有边相连 ...
深度学习之卷积神经网络CNN理论与实践详解
六月北京 | 高性能计算之GPU CUDA培训 6月22-24日三天密集式学习快速带你入门阅读全文> 正文共1416个字,6张图,预计阅读时间6分钟. 概括大体上简单的卷积神经网络是下面 ...
深度学习之卷积神经网络CNN 常用的几个模型
LeNet5 论文:http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf LeNet-5:是Yann LeCun在1998年设计的用于手写数字识别的卷 ...
干货 | 深度学习之卷积神经网络(CNN)的模型结构
微信公众号关键字全网搜索最新排名 [机器学习算法]:排名第一 [机器学习]:排名第一 [Python]:排名第三 [算法]:排名第四前言在前面我们讲述了DNN的模型与前向反向传播算法.而在DNN ...
深度学习：卷积神经网络CNN入门
作者:机器之心链接:https://www.zhihu.com/question/52668301/answer/131573702 来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业 ...
深度学习笔记-卷积神经网络CNN与循环神经网络RNN有什么区别？
转载 https://blog.csdn.net/weixin_35227692/article/details/79223536 转载于:https://www.cnblogs.com/USTBlx ...
【深度学习】卷积神经网络-图片分类案例(pytorch实现)
前言前文已经介绍过卷积神经网络的基本概念[深度学习]卷积神经网络-CNN简单理论介绍.下面开始动手实践吧.本文任务描述如下: 从公开数据集CIFAR10中创建训练集.测试集数据,使用Pytorch构 ...
机器学习——深度学习之卷积神经网络（CNN）——AlexNet卷积神经网络结构
目录一.AlexNet卷积神经网络结构模型 1.数据库ImageNet 2.AlexNet第一层卷积层二.AlexNet卷积神经网络的改进 1.非线性变化函数的改变--ReLU 2.最大池化(Ma ...
深度学习之卷积神经网络(Convolutional Neural Networks, CNN)(二)
前面我们说了CNN的一般层次结构, 每个层的作用及其参数的优缺点等内容.深度学习之卷积神经网络(Convolutional Neural Networks, CNN)_fenglepeng的博客-CS ...

深度学习之七【卷积神经网络 CNN】

1.CNN的应用

2.MLP和CNN的区别

卷积神经网络

公式：卷积层中的参数数量

公式：卷积层的形状

池化层

最大池化层 Max Pooling Layer

参数

全局平均池化 Global Average Pooling Layer

第一个CNN的架构介绍

注意事项

增强图片的训练

可视化CNN

著名卷积网络

TensorFlow 的CNN

小练习

最大池化层练习 Max Pooling Layer

全局平均池化 Global Average Layer

1x1卷积

Inception 模块

测试项目【使用TensorFlow的CNN来训练数据】

深度学习之七【卷积神经网络 CNN】相关推荐

最新文章

热门文章

深度学习 之七 【卷积神经网络 CNN】

1.CNN的应用

2.MLP和CNN的区别

卷积神经网络

公式：卷积层中的参数数量

公式：卷积层的形状

池化层

最大池化层 Max Pooling Layer

参数

全局平均池化 Global Average Pooling Layer

第一个CNN的架构介绍

注意事项

增强图片的训练

可视化CNN

著名卷积网络

TensorFlow 的CNN

小练习

最大池化层练习 Max Pooling Layer

全局平均池化 Global Average Layer

1x1卷积

Inception 模块

测试项目 【使用TensorFlow的CNN来训练数据】

深度学习 之七 【卷积神经网络 CNN】相关推荐

最新文章

热门文章

深度学习之七【卷积神经网络 CNN】

测试项目【使用TensorFlow的CNN来训练数据】

深度学习之七【卷积神经网络 CNN】相关推荐