视频网站怎么做采集,网站建设会提供哪些服务,虚拟主机购买网站,汕头汽车网站建设一 什么是卷积 上图所示#xff0c;为图像边缘提取得一个卷积过程#xff0c;卷积核就是计算当前像素左右两边得像素差#xff0c;这个差值越大代表越可能是图像边缘。因此当实现其它功能时#xff0c;只需要调整卷积核得参数即可。深度学习的训练其实就是在确定这些参数。…一 什么是卷积 上图所示为图像边缘提取得一个卷积过程卷积核就是计算当前像素左右两边得像素差这个差值越大代表越可能是图像边缘。因此当实现其它功能时只需要调整卷积核得参数即可。深度学习的训练其实就是在确定这些参数。
二 padding 三 池化pooling 四 什么是激活函数 这里只能使用非线性函数。 五 全连接层 六 多通道卷积 七 softmax 入门级都能看懂的softmax详解-CSDN博客
八 vgg16
VGG中根据卷积核大小和卷积层数目的不同可分为AA-LRN,B,C,D,E共6个配置(ConvNet Configuration)其中以D,E两种配置较为常用分别称为VGG16和VGG19。 VGG16共包含
13个卷积层Convolutional Layer分别用conv3-XXX表示3个全连接层Fully connected Layer,分别用FC-XXXX表示5个池化层Pool layer,分别用maxpool表示
其中卷积层和全连接层具有权重系数因此也被称为权重层总数目为13316这即是VGG16中16的来源。(池化层不涉及权重因此不属于权重层不被计数)。
8.1VGG16网络
224x224x3的彩色图表示3通道的长和宽都为224的图像数据也是网络的输入层彩色图像有RGB三个颜色通道分别是红、绿、蓝三个通道这三个通道的像素可以用二维数组来表示其中像素值由0到255的数字来表示。
卷积计算
1输入图像尺寸为224x224x3经64个通道为3的3x3的卷积核步长为1paddingsame填充卷积两次再经ReLU激活输出的尺寸大小为224x224x642经max pooling最大化池化滤波器为2x2步长为2图像尺寸减半池化后的尺寸变为112x112x643经128个3x3的卷积核两次卷积ReLU激活尺寸变为112x112x128 128个卷积核每个卷积核是64个卷积4max pooling池化尺寸变为56x56x1285经256个3x3的卷积核三次卷积ReLU激活尺寸变为56x56x2566max pooling池化尺寸变为28x28x2567经512个3x3的卷积核三次卷积ReLU激活尺寸变为28x28x5128max pooling池化尺寸变为14x14x5129经512个3x3的卷积核三次卷积ReLU尺寸变为14x14x51210max pooling池化尺寸变为7x7x51211然后Flatten()将数据拉平成向量变成一维5127725088。11再经过两层1x1x4096一层1x1x1000的全连接层共三层经ReLU激活12最后通过softmax输出1000个预测结果
权重参数
尽管VGG的结构简单但是所包含的权重数目却很大达到了惊人的139357544个参数。这些参数包括卷积核权重和全连接层权重。例如对于第一层卷积由于输入图的通道数是3网络必须学习大小为3x3通道数为3的的卷积核这样的卷积核有64个因此总共有3x3x3x64 1728个参数计算全连接层的权重参数数目的方法为前一层节点数×本层的节点数前一层节点数×本层的节点数。因此全连接层的参数分别为7x7x512x4096 1027,645,4444096x4096 16,781,3214096x1000 4096000
