卷积神经网络Convolutional Neural Networks

本文详细介绍了卷积神经网络(CNN)的基本原理及应用,重点讲解了经典的LeNet-5模型,并提供了使用Theano实现LeNet-5的具体步骤。此外还探讨了CNN中的关键概念如局部连接、共享权重、特征映射以及最大池化等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

摘要

  • CNN模型
  • 如何用Theano实现LeNet-5
  • 如何使用GPU加速运行CNN

稀疏连接

CNN利用空间上的相关性来加强本地连接参数与相邻层神经元的关系。在隐层 m 中隐藏单元,是从上一层 m1 中的子集计算而得的。具体示意图如下:
这里写图片描述

共享权重

在CNN中,每个滤波器 hi 都是从整个可视域中计算而得的。这些单元共享参数并形成了特征图。
这里写图片描述
特征图的形成是通过在整个图片中运行函数:
这里写图片描述

最大池化

最大池化是一种非线性的向下采样。最大池化的具体过程是将输入图片分割成不重叠的小方块,对于任意区域计算其最大值。
最大池化有两个作用:

  • 可以减少下一层的计算量
  • 可以使得算法具有形变不变形

LeNet

这里写图片描述

代码实现

代码下载

原文网址

http://deeplearning.net/tutorial/lenet.html

参考文献

  1. Gradient-Based Learning Applied to Document Recognition
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值