【神经网络】卷积神经网络CNN

3.1基础原理

3.1.1发展历史

3.1.2卷积和全连接网络对比

1.1.1全连接层的缺点

• 参数太多,权值太多,特征太多就会是资源的浪费
• 没有利用像素之间位置信息,对图像识别任务来说,每个像素与周围的像素都是联系比较紧密的.
• 层数的限制

1.1.2对全连接层的改进

我们在全连接层之前加入隐藏层,让参数变的比较少

3.1.3结构分析

1.基本结构

2.结构详介

神经网络的基本组成包括输入层,隐藏层,输出层.卷积神经网络将我们的隐藏层分成了卷积层和池化层(下采样层).

卷积层:通过在原始图像上进行平移提取特征.

我们可以把卷积层看成是一个变色眼镜,不同的核函数代表不同的变色眼镜,我们可以 

池化层:通过特征系数参数来减少学习的参数,降低网络的复杂度(最大池化和平均池化.)

 

 

3.1.4API介绍