本文深入探讨深度学习中卷积神经网络(CNN)的关键概念，包括卷积层、池化层的作用及实现方式，如平均池化和最大池化。文章还介绍了过拟合的解决方法——Dropout，并提供了一个C语言版CNN的实践案例，旨在帮助读者深化理解并动手实践。
由于深度学习的科普知识比较泛滥，卷积层，采样层（池化层），全连接，这些还是有个大概概念了。
但知识需要用手记住，否则过了一个月，就又不记得了。让我们来深化一下。
Pooling就是降采样，有平均和取最大两种方式，分别叫avrage pooling 和max pooling
有些网络会采用dropout的方法来disable掉部分节点，让网络不容易过拟合。
拿了这个C语言版的CNN来练手：https://blog.youkuaiyun.com/tostq/article/details/51786315
向作者致敬！
下图是alexNet
下图是作者设计的网络，简单一些，输入为MNIST数据集
上图是基本结构
非全连接的部分，其连接方式是这样的。
所以，Conv层参数有：
滤波器模版5*5*6 + 6个权重
未完待续
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
