文章目录
- 四、卷积神经网络
- 4.1 卷积神经网络简介
- 4.1.1 卷积神经网络与传统多层神经网络对比
- 4.1.2 卷积神经网络发展历史
- 4.1.3 卷积网络ImageNet比赛错误率
- 4.2 卷积神经网络原理
- 4.2.1 卷积神经网络三个结构
- 4.2.2 卷积层（Convolutional Layer）
- 4.2.3 激活函数
- 4.2.4 池化层（Polling）
- 4.2.5 全连接层
- 4.2.6 卷积神经网络总结
- 4.3 案例：CNN-Mnist手写数字识别
- 4.3.1 网络设计四、卷积神经网络
4.1 卷积神经网络简介
4.1.1 卷积神经网络与传统多层神经网络对比
输入层
隐藏层：卷积层、激活层、池化层、全连接层
输出层
4.1.2 卷积神经网络发展历史
4.1.3 卷积网络ImageNet比赛错误率
4.2 卷积神经网络原理
卷积层、激活层、池化层、全连接层
4.2.1 卷积神经网络三个结构
池化层：也叫下采样subsample
4.2.2 卷积层（Convolutional Layer）
卷积核-filter-过滤器-模型参数-卷积单元
4.2.3 激活函数
随着神经网络的发展，大家发现原有的sigmoid等激活函数并不能达到好的效果，所以才去新的激活函数。
- Relu
- Tanh
- sigmoid
4.2.4 池化层（Polling）
1 池化层计算
4.2.5 全连接层
与之前讲的全连接一样
4.2.6 卷积神经网络总结
卷积层->激活层->池化层->全连接层
4.3 案例：CNN-Mnist手写数字识别
4.3.1 网络设计
