本文介绍了卷积神经网络（CNN）中卷积层的作用，卷积层通过3x3大小的滤波器进行特征提取，步长为1。接着讨论了maxpooling操作，用于降低数据维度并保持关键信息。残差网络（ResNet）通过残差块解决了深层网络的梯度消失问题，允许更深层次的网络训练。最后，提到了全连接层（Dense）在模型末端的重要性，用于特征的重新拟合，并且介绍了Batch Normalization如何增强模型的稳定性。
1.conv1 conv2 是卷积层，卷积层的作用主要在于提取图像特征，卷积核（滤波器）的大小（Patch Size）是3x3 ，步长（Stride，滤波器滑动的间隔）为1。
2.max pool3 指的是在卷积之后还有一个 pooling（汇集）的操作
参考：Yjango请问CNN 中的 maxpool 到底是什么原理，为什么要取最大值，取最大值的原理是什么？谢谢。 - 知乎
3. 残差（residual） 防止网络层数过多造成的梯度消失和梯度爆炸， 6个残差块， 一层是由多个残差单元组成。
4.Dense全连接层 通常在CNN的尾部进行重新拟合，减少特征信息的损失。全连接层是最原始，出现最早的神经网络结构，能够无损的传递特征信息，但是网络参数多，计算量大，训练较慢。
5.batch and l2 normalization 就是对每一批数据进行归一化，主要是在一定程度上缓解了深层网络中“梯度弥散”的问题，从而使训练深层网络模型更加容易稳定。
扫一扫
924
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
