【AI达人养成营】卷积神经网络基础学习笔记
收藏
深度全连接神经网络模型存在哪些不足?
- 模型结构不够灵活
- 模型参数太多
卷积神经网络结构上的三大特性
局部连接、权重共享、下采样->减少网络参数,加快训练速度
卷积神经网络结构:
卷积层后接一个pooling层
卷积层:卷积大大减少了模型所需学习的参数量
Pooling层:通过下采样缩减feature map尺度。常用max pooling 和average pooling.
输出层:常用softmax函数作为输出层激活函数:容易理解、便于计算
ResNet模型:
微软提出的神经网络,CVPR当年的最佳论文
使用了恒等映射
传统神经网络训练的函数为F(x)
添加恒等映射后,神经网络训练的函数变为F(x)+x
作者认为这样训练出来的网络,相当于是在对x作修正,修正的幅度就是F(x), F(x)在数学上称为残差。
所以作者提出的网络称为残差网络。
MobileNet v1模型:
由Google在2017年提出的一种小巧高效的卷积网络模型,该模型使用了一种深度可分离卷积结构。深度可分离卷积其实就是把卷积过程进行分解为两个操作:逐通道卷积和逐点卷积。
0
收藏
请登录后评论