卷积神经网络系列之softmax，softmax loss和cross entropy

转载于 2019-04-12 19:49:00 发布 · 124 阅读

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/hugeng007/p/10698159.html

文章标签：

本文深入探讨了深度学习领域的关键概念，包括VGG网络结构、Keras中Dropout的使用、全连接层的工作原理、全局平均池化的作用、softmax函数及交叉熵损失函数的数学解释，并分析了softmax函数在多分类任务中的应用实例。

The First Column	The Second Column
VGG 网络结构
Keras 中的 keep_prob	Dropout 的自由率
IOU
全连接层
全局平局池化（Global Average Pooling) 与Fully Connected Lays
VGG-16的全连接层
fine_tuning classes 1000 -> classes 101效果更差的原因
多继承
接口
分类器
如何评价一个分类器
AUC
AUC	ROC曲线下面的面积
AUC	Area under curve
AUC	模型对分类问题的预测结果都是概率，如果要计算
全连接层到损失层之间的计算
W	全连接层的参数，也称为权值
X	全连接层的输入，也就是特征
全连接层
softmax 公式
softmax公式解释
softmax 的3分类例子
softmax loss
softmax loss 公式解释
softmax Loss 的5分类例子
cross Entropy 公式
cross Entropy 公式解释