機(jī)器視角--揭秘圖像處理和卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)(參考版)
2024-08-28 12:42本頁面
【正文】 。的復(fù)雜數(shù)學(xué)原理。結(jié)語希望本文能夠讓你認(rèn)識(shí)卷積神經(jīng)網(wǎng)絡(luò)，這篇文章沒有深入在這種情況下會(huì)得到多少，你可以通過加入更多卷積和池化層來減少參數(shù)的數(shù)量。如果想知道使用在該模型中，我只使用了一個(gè)卷積層和池化層，可訓(xùn)練參數(shù)量為通過增加更多的卷積和池化層，你可以進(jìn)一步降低參數(shù)的數(shù)量。MLP219,801。accuracy39。adam39。categorical_crossentropy39。softmax39。relu39。valid39。的應(yīng)用階段，這種簡單的情況是不會(huì)發(fā)生的。注意：在這是處理圖像之前通常需要做的，因?yàn)樵谂恼諘r(shí)，讓照下的圖像都大小相同幾乎不可能。以下這些圖片均來自數(shù)據(jù)集。這些特征可以是外形輪廓，也可以是貓的胡須之類，卷積層會(huì)攫取這些特征。對(duì)圖像進(jìn)行分類讓我們嘗試一下，輸入貓和狗的圖片，讓計(jì)算機(jī)識(shí)別它們。中使用在 一個(gè)訓(xùn)練周期由單次正向和反向傳遞完成。 錯(cuò)誤會(huì)進(jìn)行反向傳播，以不斷改進(jìn)過濾器（權(quán)重）和偏差值。隨后我們會(huì)計(jì)算梯度錯(cuò)誤。 隨后輸出層會(huì)產(chǎn)生輸出，這些信息會(huì)互相比較排除錯(cuò)誤。中的輸出層是全連接層，其中來自其他層的輸入在這里被平化和發(fā)送，以便將輸出轉(zhuǎn)換為網(wǎng)絡(luò)所需的參數(shù)。167。 在預(yù)測(cè)最終提出前，數(shù)據(jù)會(huì)經(jīng)過多個(gè)卷積和池化層的處理。 隨后加入池化層進(jìn)一步減少參數(shù)的數(shù)量。因?yàn)槲覀冃枰ＷC圖像大小的一致，所以我們使用同樣的填充（零填充），否則填充會(huì)被使用，因?yàn)樗梢詭椭鷾p少特征的數(shù)量。167。 我們將輸入圖像傳遞到第一個(gè)卷積層中，卷積后以激活圖形式輸出。由不同的卷積層和池化層組成。一旦前向傳播完成，反向傳播就會(huì)開始更新權(quán)重與偏差，以減少誤差和損失。激活圖，而我們只需要圖像是否屬于一個(gè)特定的類這樣的內(nèi)容。卷積層可以生成然而，為了生成最終的輸出，我們需要應(yīng)用全連接層來生成一個(gè)等于我們需要的類的數(shù)量的輸出。輸出層在多層卷積和填充后，我們需要以類的形式輸出。因此輸出尺寸是=10，輸出尺寸大小為W=32，F(xiàn)=3，P=0，S=1。的過濾器，單步幅和零填充。個(gè)尺寸為的輸入圖像，我們使用假如我們有一張是填充數(shù)量，S是輸入尺寸，F(xiàn)S）+1。2P]輸出圖像的空間尺寸可以計(jì)算為（[WF如果添加了單零填充，則單步幅過濾器的運(yùn)動(dòng)會(huì)保持在原圖尺寸。零填充（zero更高的步幅意味著同時(shí)處理更多的像素，從而產(chǎn)生較小的輸出量。步幅（Stride）如果步幅是激活圖的深度等于過濾器的數(shù)量。過濾器數(shù)量輸出卷的深度與過濾器的數(shù)量成正比。有三個(gè)超參數(shù)可以控制輸出卷的大小。輸出維度理解每個(gè)卷積層輸入和輸出的尺寸可能會(huì)有點(diǎn)難度。L2這可以很大程度上減少參數(shù)。最大池化圖像仍然保留了汽車在街上的信息。讓我們看看最大池化在真實(shí)圖片中的效果如何。卷積的輸出變成了最大化執(zhí)行也應(yīng)用在每個(gè)卷機(jī)輸出的深度尺寸中。2，池化尺寸也為池化層的最常見形式是最大池化。池化的唯一目的是減少圖像的空間大小。如下圖所示：激活圖是卷積層的輸出。輸出的維度將會(huì)是10padding5*5*3，帶有的輸入。假設(shè)我們有一個(gè)大多數(shù)情況下都不使用單一過濾器（權(quán)值矩陣），而是應(yīng)用維度相同的多個(gè)過濾器。權(quán)值會(huì)延伸到輸入圖像的整個(gè)深度。多過濾與激活圖需要記住的是權(quán)值的縱深維度（depth像素是相同的。中間的samepadding。由于輸出圖像和輸入圖像是大小相同的，所以這被稱為0邊界。我
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號(hào)-1