本文详细解析了卷积神经网络中的关键概念，包括channel、filter、kernel和feature map，阐述了Flatten层的作用，介绍了softmax层的功能，并讨论了卷积计算过程、tensorflow的padding策略以及Step、Batch Size、Iteration和Epoch在训练过程中的意义。同时，还涉及了多GPU占用问题的解决方法。
文章目录
channel、fliter、kernel、feature map
CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解
卷积核（kernels）与滤波器（filters）的关系
Flatten层
Convolution卷积层之后是无法直接连接Dense全连接层，需要把Convolution层的数据压平（Flatten），然后就可以直接加Dense层了。也就是把 (height,width,channel)的数据压缩成长度为 height × width × channel 的一维数组，然后再与 FC层连接，这之后就跟普通的神经网络无异了。
可以从图中看到，随着网络的深入，我们的图像（严格来说中间的那些不能叫图像了，但是为了方便，还是这样说吧）
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
