Flywheresea的博客

CNN学习笔记持续更新沿着上一篇，卷积运算后得到一组特征图，下一步，就要经行池化层了。池化层做了什么？池化层有什么作用？池化层图像中的相邻像素倾向于具有相似的值，因此通常卷积层相邻的输出像素也具有相似的值。这意味着，卷积层输出中包含的大部分信息都是冗余的。如果我们使用边缘检测滤波器并在某个位置找到强边缘，那么我们也可能会在距离这个像素1个偏移的位置找到相对较强的边缘。但是它们都一样是边缘，我们并没有找到任何新东西。池化层解决了这个问题。这个网络层所做的就是通过减小输入的大小降低输出值的数量。池

说到CNN，小伙伴们现在可能还对这个概念还比较陌生，不过看了第一篇的概述，想必也有了一个初步的印象，CNN模型可以帮助我们完成对图像分类，人脸识别等任务。　　回到细节上来。更为详细的 CNN 工作概述指的是你挑一张图像，让它历经一系列卷积层、非线性层、池化（下采样（downsampling））层和完全连接层，最终得到输出。正如之前所说，最好地描述了图像内容的一个单独分类或一组分类的概率。如今，难点在于理解其中每一层的工作方法。我们先来看最重要的部分。　　１.　卷积层...

神经网络基础1.概念题1）简述神经网络的网络结构组成1.1单层神经网络计算机科学家Rosenblatt于1958年提出了由两层神经元组成的简单的单层神经网络，并称之为感知器。计算方式是对每个输入都乘以相应的权重，所得结果的大小于阈值（threahold)相比较，并由阈值决定输出的结果是0还是1。单层感知器适合用来分类线性可分的数据。单层感知器第一层输入层仅仅为输入数据，只有第二层参与了数据的计算。由于只有一层参与计算，所以该感知器被称为单层神经网络。1.2多层神经网络从结构上划分，神经网络