卷积神经网络 卷积神经网络是一种比较常见的深度学习算法,是一种监督式学习的深层 神经网络,由于它稀疏的网络结构,在层的数量、分布、每一层卷积核的 数量都会有差异,结构的好坏决定了模型运算的效率和预测的精确度。理 解不同结构层次的作用和原理有助于设计符合实际的深层网络结构 卷积层和子采样层是特征提取功能的核心模块。卷积神经网络通常采用梯 度下降的方法,应用最小化损失函数对网络中各节点的权重参数逐层调节 通过反方向递推,不断地调整参数,使得损失函数的结果逐渐变小,从 而提升整个网络的特征描绘能力,使网络的精确度和准确率不断提高 卷积神经网络前面几层由卷积层和子采样层交替组成,在保持特征不变的 情况下减少维度空间和计算时间,更高层次是全连接层,其输入是由卷积 层和子采样层提取到的特征最后一层是输出层,可以是一个分类器,采用 逻辑回归、 Softmax回归、支持向量机等进行模式分类,也可以直接输出某 一结果数值
议程卷积神经网络 • 卷积神经网络是一种比较常见的深度学习算法，是一种监督式学习的深层 神经网络，由于它稀疏的网络结构，在层的数量、分布、每一层卷积核的 数量都会有差异，结构的好坏决定了模型运算的效率和预测的精确度。理 解不同结构层次的作用和原理有助于设计符合实际的深层网络结构 • 卷积层和子采样层是特征提取功能的核心模块。卷积神经网络通常采用梯 度下降的方法，应用最小化损失函数对网络中各节点的权重参数逐层调节 ，通过反方向递推，不断地调整参数，使得损失函数的结果逐渐变小，从 而提升整个网络的特征描绘能力，使网络的精确度和准确率不断提高 • 卷积神经网络前面几层由卷积层和子采样层交替组成，在保持特征不变的 情况下减少维度空间和计算时间，更高层次是全连接层，其输入是由卷积 层和子采样层提取到的特征最后一层是输出层，可以是一个分类器，采用 逻辑回归、 Softmax回归、支持向量机等进行模式分类，也可以直接输出某 一结果数值
卷积神经网络 经典的 tEnEt-5卷积神经网络结构图 C6@2828 S2:6a14x14 C5: 120 F6-84 Output: 10 输入:32x32 卷积 池化 卷积池化全连接高斯连接 全连接
议程卷积神经网络 • 经典的LeNet-5卷积神经网络结构图