文章目錄

• • 1.全連接神經網絡
  • 2.卷積神經網絡
  • • 2.1走五子棋的例子
    • 2.2卷積核
    • 2.3通道
    • 2.4池化
    • 2.5全連接層

1.全連接神經網絡

全連接神經網絡中，對n-1層和n層而言，n-1層的任意一個節點，都和第n層所有節點有連接。即第n層的每個節點在進行計算的時候，激活函數的輸入是n-1層所有節點的加權，這個激活函數是非線性的。它的缺點就是權重太多了，計算量很大。
它可作用于大多數場景

2.卷積神經網絡

2.1走五子棋的例子

2.2卷積核

卷積核：負責檢測對應的一個特征。
卷積核的大小也影響網絡的架構，早期習慣使用77，99的大卷積核，近來發現研究大的卷積核可以用多個33的卷積核來代替，同時總體參數也減少了。
**因而目前主流卷積神經網絡都傾向于33大小的卷積核。**
卷積核的參數是由網絡通過學習得到的。

2.3通道

每一個卷積操作的結果一般稱為一個通道（channel），也稱為一個映射（map)
卷積隱藏層通道的個數反映了網絡在這一層的特征檢測能力。
通常卷積神經網絡越靠近輸出層其通道數就越多，但每一個通道的數據規模越來越小。

2.4池化

池化操作不需要任何參數，這大大減少了參數的個數。
池化操作與卷積操作相似，也具有大小f、步長s、擴展p等概念，
池化操作分為兩種：最大池化和平均池化。

2.5全連接層

池化和全連接層在卷積神經網絡中的作用越來越被淡化，有些卷積神經網絡甚至拋棄了全連接層。

文章內容參考

總結

以上是生活随笔為你收集整理的全连接神经网络VS卷积神经网络基本概念理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。