詳解卷積神經(jīng)網(wǎng)絡-文庫吧
2025-08-01 00:28 本頁面
【正文】 卷積窗大小： 5*5 卷積窗種類： 6 輸出特征圖數(shù)量： 6 輸出特征圖大小： 28*28 (325+1) 神經(jīng)元數(shù)量： 4707 [(28*28)*6)] 連接數(shù)： 12304 [(5*5+1)*6]*(28*28) 可訓練參數(shù)： 156 [(5*5+1)*6] S2層： 輸入圖片大?。? (28*28)*6 卷積窗大?。? 2*2 卷積窗種類： 6 輸出下采樣圖數(shù)量： 6 輸出下采樣圖大?。?(14*14)*6 神經(jīng)元數(shù)量： 1176 (14*14)*6 連接數(shù)： 5880 (4+1)*(14*14)*6 可訓練參數(shù)： 12 (6*2) 卷積和子采樣過程： 卷積過程包括：用一個可訓練的濾波器 fx去卷積一個輸入的圖像（第一階段是輸入的圖像，后面的階段就是卷積特征 map了），然后加一個偏置 bx，得到卷積層 Cx。 子采樣過程包括：每鄰域四個像素求和變?yōu)橐粋€像素，然后通過標量 Wx+1加權(quán)，再增加偏置 bx+1，然后通過一個 sigmoid激活函數(shù)，產(chǎn)生一個大概縮小四倍的特征映射圖 Sx+1。 C3層： 輸入圖片大?。? (14*14)*6 卷積窗大?。? 5*5 卷積窗種類： 15 輸出特征圖數(shù)量： 16 輸出特征圖大?。? 10*10 (145+1) 神經(jīng)元數(shù)量： 1600 [(10*10)*16)] 連接數(shù)： 151600 [(60+16)*25]*(10*10) （部分連接） 可訓練參數(shù)： 1516 [(60+16)*25] 連接數(shù)計算： 151600 = [(60+16)*25]*(10*10) 60 = 3*6+9*4+6； 16是因為每種神經(jīng)元都有一個常數(shù)連接 其中打 X了的表示兩者之間有連接的。取我們學習到的網(wǎng)絡（結(jié)構(gòu)為 15016）中 16個隱含節(jié)點種的一個拿來分析，比如拿 C3中的第 3號特征圖來說，它與上層網(wǎng)絡 S2第 3,4,5號特征圖連接。那么該第 3號特征圖的值（假設為 H3）是怎么得到的呢？其過程如下： 首先我們把網(wǎng)絡 15016（以后這樣表示，表面輸入層節(jié)點為 150，隱含層節(jié)點為 16）中輸入的 150個節(jié)點分成 6個部分，每個部分為連續(xù)的 25個節(jié)點。取出倒數(shù)第 3個部分的節(jié)點（為 25個），且同時是與隱含層 16個節(jié)點中的第 4（因為對應的是 3號，從 0開始計數(shù)的）個相連的那 25個值， reshape為 5*5大小，用這個 5*5大小的特征 patch去 convolution S2網(wǎng)絡中的倒數(shù)第 3個特征圖，假設得到的結(jié)果特征圖為 h1。 同理，取出網(wǎng)絡 15016中輸入的倒數(shù)第 2個部分的節(jié)點（為 25個），且同時是與隱含層 16個節(jié)點中的第 5個相連的那 25個值， reshape為 5*5大小，用這個5*5大小的特征 patch去 convolution S2網(wǎng)絡中的倒數(shù)第 2個特征圖，假設得到的結(jié)果特征圖為 h2。 繼續(xù)，取出網(wǎng)絡 15016中輸入的最后 1個部分的節(jié)點（為 25個），且同時是與隱含層 16個節(jié)點中的第 5個相連的那 25個值， reshape為 5*5大小，用這個 5*5大小的特征 patch去 convolution S2網(wǎng)絡中的最后 1個特征圖，假設得到的結(jié)果特征圖為 h3。 最后將 h1， h2， h3這 3個矩陣相加得到新矩陣 h，并且對 h中每個元素加上一個偏移量 b，且通過 sigmoid的激發(fā)函數(shù)，即可得到我們要的特征圖 H3了。 S4層： 輸入圖片大?。? (10*10)*16 卷積窗大?。? 2*2 卷積窗種類：
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1