基于keras的深度学习介绍演示课件.pptVIP

卷积层的工作 当从一个大尺寸图像中随机选取一小块，比如说 3x3 作为样本，并且从这个小块样本中学习到了一些特征，这时我们可以把从这个 3x3 样本中学习到的特征作为探测器，应用到这个图像的任意地方中去。特别是，我们可以用从 3x3 样本中所学习到的特征跟原本的大尺寸图像作卷积，从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。 卷积有什么用 那么当它移动到上面的位置时，按照矩阵操作，将这个区域的图像像素值与滤波器相乘，我们得到一个很大的值（6600）： 而当这个滤波器移动到其他区域时，我们得到一个相对很小的值： 池化（Pooling） 左侧矩阵A是20*20的矩阵要进行大小为10*10的池化，那么左侧图中的红色就是10*10的大小，对应到右侧的矩阵，右侧每个元素的值，是左侧红色矩阵每个元素的值得和再处于红色矩阵的元素个数，也就是平均值形式的池化。 pooling层有什么用 更关注是否存在某些特征而不是特征具体的位置。可以看作加了一个很强的先验，让学到的特征要能容忍一些的变化 不变性 文本分类的时候输入是不定长的，可以通过池化获得定长输出 获得定长输出 或有可能会带来欠拟合 减小下一层输入大小，减小计算量和参数个数 防止过拟合 translation invariance（平移不变性） 假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数字1可能写的偏左一