- 1、本文档共34页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Convolutional Neural Networks 卷积神经网络;主要内容;卷积神经网络提出的背景;卷积神经网络提出的背景;浅层神经网络的缺陷;深度学习的优势;卷积神经网络;卷积神经网络应用;C1层:
输入图片大小: 32*32
卷积窗大小: 5*5
卷积窗种类: 6
输出特征图数量: 6
输出特征图大小: 28*28 (32-5+1)
神经元数量: 4707 [(28*28)*6)]
连接数: 12304 [(5*5+1)*6]*(28*28)
可训练参数: 156 [(5*5+1)*6]
;S2层:
输入图片大小: (28*28)*6
卷积窗大小: 2*2
卷积窗种类: 6
输出下采样图数量:6
输出下采样图大小:(14*14)*6
神经元数量: 1176 (14*14)*6
连接数: 5880 (4+1)*(14*14)*6
可训练参数: 12 (6*2) ;卷积和子采样过程:
卷积过程包括:用一个可训练的滤波器fx去卷积一个输入的图像(第一阶段是输入的图像,后面的阶段就是卷积特征map了),然后加一个偏置bx,得到卷积层Cx。
子采样过程包括:每邻域四个像素求和变为一个像素,然后通过标量Wx+1加权,再增加偏置bx+1,然后通过一个sigmoid激活函数,产生一个大概缩小四倍的特征映射图Sx+1。;C3层:
输入图片大小: (14*14)*6
卷积窗大小: 5*5
卷积窗种类: 15
输出特征图数量: 16
输出特征图大小: 10*10 (14-5+1)
神经元数量: 1600 [(10*10)*16)]
连接数: 151600 [(60+16)*25]*(10*10) (部分连接)
可训练参数: 1516 [(60+16)*25]
;
连接数计算:
151600 = [(60+16)*25]*(10*10)
60 = 3*6+9*4+6;16是因为每种神经元都有一个常数连接; 其中打X了的表示两者之间有连接的。取我们学习到的网络(结构为150-16)中16个隐含节点种的一个拿来分析,比如拿C3中的第3号特征图来说,它与上层网络S2第3,4,5号特征图连接。那么该第3号特征图的值(假设为H3)是怎么得到的呢?其过程如下:
首先我们把网络150-16(以后这样表示,表面输入层节点为150,隐含层节点为16)中输入的150个节点分成6个部分,每个部分为连续的25个节点。取出倒数第3个部分的节点(为25个),且同时是与隐含层16个节点中的第4(因为对应的是3号,从0开始计数的)个相连的那25个值,reshape为5*5大小,用这个5*5大小的特征patch去convolution S2网络中的倒数第3个特征图,假设得到的结果特征图为h1。
同理,取出网络150-16中输入的倒数第2个部分的节点(为25个),且同时是与隐含层16个节点中的第5个相连的那25个值,reshape为5*5大小,用这个5*5大小的特征patch去convolution S2网络中的倒数第2个特征图,假设得到的结果特征图为h2。
继续,取出网络150-16中输入的最后1个部分的节点(为25个),且同时是与隐含层16个节点中的第5个相连的那25个值,reshape为5*5大小,用这个5*5大小的特征patch去convolution S2网络中的最后1个特征图,假设得到的结果特征图为h3。
最后将h1,h2,h3这3个矩阵相加得到新矩阵h,并且对h中每个元素加上一个偏移量b,且通过sigmoid的激发函数,即可得到我们要的特征图H3了。
;S4层:
输入图片大小: (10*10)*16
卷积窗大小: 2*2
卷积窗种类: 16
输出下采样图数量:16
输出下采样图大小:(5*5)*16
神经元数量: 400 (5*5)*16
连接数: 2000 (4+1)*(5*5)*16
可训练参数: 32 (16*2) ;C5层:
输入图片大小: (5*5)*16
卷积窗大小: 5*5
卷积窗种类: 120
输出特征图数量: 120
输出特征图大小: 1*1 (5-5+1)
神经元数量: 120 (1*120)
连接数: 48120 [16*25+1]*1*120(全连接)
可训练参数: 48120 [16*25+1]*1*120;F6层:
输入图片大小: (1*1)*120
卷积窗大小: 1*1
卷积窗种类: 84
输出特征图数量: 84
输出特征图大小: 1
神经元数量: 84
连接数: 10164 120*84(全连接)
可训练参数: 10164 120*84;OUTPUT层:
输入图片大小: 1*84
输出特征图数量: 1*10; 最后,输出层由欧式径向基函数(Euclidean
您可能关注的文档
最近下载
- 南昌大学90周年校庆志愿者工作组分工安排.doc
- 国家开放大学计算机应用基础(本) 终结性考试试题及参考答案.pdf
- 2020年国家开放大学《财务报表分析》形成性考核(1-4)试题答案解析.pdf
- 2021-2022学年成都市郫都区八年级下学期期中数学试卷(含答案解析).docx
- limitless 无限钢琴曲谱子.pdf
- 食 堂 管 理 考 核 评 分 表.docx
- (完整版)高电压复习题(完整版).pdf VIP
- 大学生睡眠质量与情绪管理的关系毕业论文.doc
- 2022-2023学年广东省深圳市语文三年级下册期末检测卷(B卷)含解析.docx
- 2023年建筑工程造价指标超详细知识汇总全面汇总归纳完整.pdf
文档评论(0)