Stanford CS231n实践笔记（课时14卷积神经网络详解 上）

这只是一个展示项目，但是能够帮助直观地看到一些东西

地址：https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html

​​= [];
        
layer_defs.push({
        type
        :
        'input', out_sx
        :
        32, out_sy
        :
        32, out_depth
        :
        3});
        
layer_defs.push({
        type
        :
        'conv', sx
        :
        5, filters
        :
        16, stride
        :
        1, pad
        :
        2, activation
        :
        'relu'});
        
layer_defs.push({
        type
        :
        'pool', sx
        :
        2, stride
        :
        2});
        
layer_defs.push({
        type
        :
        'conv', sx
        :
        5, filters
        :
        20, stride
        :
        1, pad
        :
        2, activation
        :
        'relu'});
        
layer_defs.push({
        type
        :
        'pool', sx
        :
        2, stride
        :
        2});
        
layer_defs.push({
        type
        :
        'conv', sx
        :
        5, filters
        :
        20, stride
        :
        1, pad
        :
        2, activation
        :
        'relu'});
        
layer_defs.push({
        type
        :
        'pool', sx
        :
        2, stride
        :
        2});
        
layer_defs.push({
        type
        :
        'softmax', num_classes
        :
        10});
        

net 
        = new convnetjs.Net();
        
net.makeLayers(layer_defs);
       ​​

网络的构造就是conv-pool-conv-pool这样的过程。

原始图片输入

第一层卷积

    和relu

第一层pool

可以返现，图片的大小降低明显

第二次

第三次

最后，全连接并softmax

结束了。基本能够理解。

可以预见的一点是，在这样一个发展迅速的时代，拥有数据分析背景、能力，特别是深度学习技术，将使工程师具备价值。要想办法克服显示的瓶颈，成为这样的人。毕竟，真正的牛人是创造规则的。