3.1 卷积和池化
信号处理中的卷积
*卷积核
- Sobel
- Laplacian
深度学习中的卷积
- 深度学习中,卷积和不需要显式翻转
- 因为这个卷积核是自动学习得到的,对输出不会有影响
- 图像处理中的卷积核是人工确定的
- 深度学习中的卷积核参数是可训练的
池化
全连接层:展平之前的多维特征,忽略空间结构特性,所以全连接层不适合用于在方位上找Pattern的任务,比如segmentation
- 全连接层参数特多(可占整个网络参数80%左右)
- 激活函数的作用 增加模型的非线性表达能力
- 卷积神经网络的特点
- 局部连接(感知野的概念)
- 权值共享
- 不同区域使用相同的卷积核参数
- 层次化表达
RestNet 残差网络
首次将网络层数变成上百层
- 使用了跳跃连接技术