花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)
目录
0. 前言
1. 单层卷积网络
2. 各参数维度
3. CNN 前向传播反向传播
如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~
花书+吴恩达深度学习(十)卷积神经网络 CNN 之卷积层
花书+吴恩达深度学习(十一)卷积神经网络 CNN 之池化层
花书+吴恩达深度学习(十二)卷积神经网络 CNN 之全连接层
花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)
花书+吴恩达深度学习(十四)卷积神经网络 CNN 之经典案例(LetNet-5, AlexNet, VGG-16, ResNet, Inception Network)
0. 前言
本篇文章主要介绍卷积神经网络的运算过程。
整体卷积神经网络的运算趋势,是行和列逐渐减小,通道数逐渐增加。
1. 单层卷积网络
此处以单个样本为例子。
- 原始图像(上一层输出)作为 。
- 每一个过滤器的参数叠加在一起,组成这一层的权重 。
- 为每个过滤器加上偏差,组成偏差 ,在卷积之后的 2D 图像的每一个像素上加上偏差。
- 通过激活函数 ,激活函数同样针对 2D 图像的每一个像素。
- 则,每一个过滤器计算出来为 2D 图像,多个过滤器组合起来作为 3D 图像,下一层的输入。
2. 各参数维度
3. CNN 前向传播反向传播
对于每一个 3D 图像,可以看成是,行(长),列(宽),通道(高)。
定义一个 4 维张量 (也就是每一层的权重 ), 表示位于,输出通道 (这层第 个过滤器,输出的第 个通道),输入通道 (每个过滤器的第 个通道), 行, 列的值。
定义一个 3 维张量 (也就是输入数据 ), 表示位于,通道 (上层的第 个过滤器,输入的第 个通道), 行, 列的值。
定义一个 3 维张量 (也就是输出的 3D 数据), 表示位于,通道 (这层的第 个过滤器,输出的第 个通道), 行, 列的值。
则前向传播的卷积运算表示为:
在反向传播中,对 的求梯度为:
使用梯度下降,对权重 求梯度为:
如果不是神经网络的第一层,则需要对输入 求梯度:
如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~
花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)相关推荐
- 花书+吴恩达深度学习(十四)卷积神经网络 CNN 之经典案例(LetNet-5, AlexNet, VGG-16, ResNet, Inception Network)
目录 0. 前言 1. LeNet-5 2. AlexNet 3. VGG-16 4. ResNet 残差网络 5. Inception Network 如果这篇文章对你有一点小小的帮助,请给个关注, ...
- 花书+吴恩达深度学习(十二)卷积神经网络 CNN 之全连接层
目录 0. 前言 1. 全连接层(fully connected layer) 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十)卷积神经网络 CNN ...
- 花书+吴恩达深度学习(十一)卷积神经网络 CNN 之池化层
目录 0. 前言 1. 最大池化(max pooling) 2. 平移不变形 3. 其他池化函数 4. 卷积和池化作为一种无限强的先验 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常 ...
- 花书+吴恩达深度学习(十)卷积神经网络 CNN 之卷积层
目录 0. 前言 1. 2D 图像卷积 2. 3D 图像卷积 3. 过滤器(核函数) 4. 过滤器应用于边缘检测 5. padding 填充 6. stride 步长 7. 使用卷积的动机 8. 1乘 ...
- 花书+吴恩达深度学习(二九)生成随机网络 GSN
文章目录 0. 前言 1. 生成随机网络 GSN 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 花书+吴恩达深度学习(二七)深度生成模型之玻尔兹曼机及其变体(RBM, DB ...
- 花书+吴恩达深度学习(二八)深度生成模型之有向生成网络(VAE, GAN, 自回归网络)
文章目录 0. 前言 1. sigmoid 信念网络 2. 生成器网络 3. 变分自编码器 VAE 4. 生成式对抗网络 GAN 5. 生成矩匹配网络 6. 自回归网络 6.1 线性自回归网络 6.2 ...
- 花书+吴恩达深度学习(二六)近似推断(EM, 变分推断)
文章目录 0. 前言 1. 将推断视为优化问题 1.1 期望最大化 EM 1.2 最大后验推断 MAP 1.3 稀疏编码 2. 变分推断 2.1 离散型潜变量 2.2 连续性潜变量 如果这篇文章对你有 ...
- 花书+吴恩达深度学习(二五)直面配分函数(CD, SML, SM, RM, NCE)
文章目录 0. 前言 1. 对数似然梯度 1.1 朴素 MCMC 算法 1.2 对比散度算法 CD 1.3 随机最大似然 SML 2. 伪似然 3. 得分匹配 SM 4. 比率匹配 RM 5. 去噪得 ...
- 花书+吴恩达深度学习(二四)蒙特卡罗方法(重要采样,MCMC)
文章目录 0. 前言 1. 重要采样 2. 马尔可夫链蒙特卡罗 MCMC 3. 不同峰值之间的混合挑战 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 花书+吴恩达深度学习( ...
最新文章
- matlab 画一个矩形
- ArcGIS 9.3 安装之 Server的安装
- hashmap为什么容量是2的n次方
- nacos如何做配置中心?自带自动刷新配置功能?这一篇文章让你明明白白!
- Java黑皮书课后题第4章:*4.10(猜测生日)改写程序清单4-3,提示用户输入字符Y代表“是”N代表“否”,代替之前输入1表示“是”,0表示“否
- 数据库开发——MySQL——基本操作
- NASA告诉你四翼飞行器的飞行原理
- 用TensorFlow的Linear/DNNRegrressor预测数据
- vue如何生成公钥私钥_百行Python代码演示1私钥生成多公链公钥原理。|区块链财富指北私钥篇(2)...
- 2017-2018-1 20155229 《信息安全系统设计基础》第八周学习总结
- 万花筒写轮眼动态息屏_用了这么久的iPhone,才知道原来息屏也能录像
- DateUtils封装
- 如何使用CDSN写博客
- 虚断、虚短及同相放大与反相放大
- MATLAB Win10分辨率低的蜜汁改进方法
- curl_easy_getinfo() -- 从 curl 句柄里获得附加信息
- 基于MATLAB的指纹识别系统仿真设计,基于Matlab的指纹识别系统的研究与实现
- 解决beyond compare秘钥被吊销的问题
- php获取h5视频直链,一种H5播放实时视频的方法与系统与流程
- 逼自己一把,你就优秀了