如何申请建设网站,wordpress虚线框,无锡网络营销平台,海外转运网站建设卷积神经网络 CNN模型的架构Cnn 的流程第一步 提取图片特征提取特征的计算规则 第二步 最大池化第三步 扁平化处理第四步 数据条录入全连接隐藏层 b站视频
CNN模型的架构
图片由像素点组成#xff0c;最终成像效果由背后像素的颜色数值所决定的 有这样的一个66的区域#x… 卷积神经网络 CNN模型的架构Cnn 的流程第一步 提取图片特征提取特征的计算规则 第二步 最大池化第三步 扁平化处理第四步 数据条录入全连接隐藏层 b站视频
CNN模型的架构
图片由像素点组成最终成像效果由背后像素的颜色数值所决定的 有这样的一个66的区域0设置为黑色1设置为白色最终呈现的效果就很像数字7 cnn模型可以告诉我们这样一个 66的像素图是不是数字7或者返回它属于0-9的概率分别为多少
Cnn 的流程
第一步 提取图片特征
在这个过程中我们需要使用卷积核也可以称为特征过滤器
提取特征的计算规则 垂直特征很好的被提取而垂直特征没被提取 原因是像素图从66降维成44边缘特征丢失了 为了解决边缘特征提取的问题可以使用padding的扩充方法66扩充为88扩充部分的像素值设为0
第二步 最大池化
目的是将图片的数据进一步压缩仅反应图中最突出的特点 66用22的网格分成3*3然后提取每一部分的最大值
第三步 扁平化处理 把两个3*3的像素图叠加转化成一维的数据条
第四步 数据条录入全连接隐藏层
最终产生输出结果扁平化之后的流程与ANN模型完全一致 全连接隐藏层任意一个神经元都与前后层的所有神经元相连接来保证最终的输出值是基于图片整体信息的结果
再输出阶段可以使用sigmoid激活函数返回01代表该图片是否是7的概率 也可以使用Softmax函数返回它分别属于0-9的概率
