1、卷积神经网络——输入层、卷积层、激活函数、池化层、全连接层 2、卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？ 3、卷积神经网络的通道数与卷积核数的关系 4、卷积神经网络之卷积计算、作用与思想 5、模型优化的熵与不平衡学习 6、批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解 7､图像处理基本知识（理解卷积非常有用）
本文深入探讨了卷积神经网络的结构与原理，包括输入层、卷积层、激活函数、池化层、全连接层等关键组件。解析了卷积核大小、卷积层数及通道数的设定原则，并讨论了卷积计算、模型优化与学习不平衡等问题。同时，对比了批量梯度下降、随机梯度下降及小批量梯度下降的优缺点。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
