本文介绍了深度学习中的卷积神经网络（CNN），通过numpy实现卷积层和池化层的前向传播。内容涵盖卷积层的零填充作用、卷积计算过程以及池化层的两种类型，强调了这些概念在构建深度学习模型中的重要性。此外，还预告了接下来将使用TensorFlow实现CNN。
一、Deeplearning-assignment
在本次任务中，我们将学习用numpy实现卷积（CONV）层和池化（POOL）层，由于大多数深度学习工程师不需要关注反向传递的细节，而且卷积网络的反向传递很复杂，所以在本次作业中只讨论关于前向传播的处理细节。
用 python 来实现每个函数，在下次任务用 TensorFlow 中等价的函数构造如下模型:
对于每个前向传播，都有相应的反向传播。因此，每一步前向传播，都会存储一些参数在缓存中。这些参数用于计算反向传播中的梯度。
卷积神经网络
尽管编程框架使得卷积操作易于实现，但它仍然是深度学习中最难理解的概念之一。卷积层将输入转换为不同尺寸的输出：
在实现卷积神经网络之前，首先要实现两个辅助函数：一个用于零填充，另一个用于卷积计算。
零填充
指的是在图像的边缘填充一系列的零点。
上图中，将一个图像（三个通道对应三个RGB值）的每一层RGB矩阵进行padding为2的零填充。
零填充的主要好处如下：
-
它允许你在不缩小宽度和高度
最低0.47元/天 解锁文章
扫一扫
888
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
