0
点赞
收藏
分享

微信扫一扫

K8S云计算系列-(3)

幸福的无所谓 2023-10-16 阅读 46

 一、CNN 用于图像分类

需要图片大小统一

 彩色图像分为R G B 三层,展平后首尾相接

值代表着颜色的强度

 图像识别中不需要全连接的,参数太多了

观测1:通过判断多个小局部图像就能判断出图片标签

感受野的定义

 简化1

  • 感受野可以重叠;
  • 同一感受野可以通过不同的权重

典型设置 

 观测2:相同部分出现在不同区域

简化2

共享参数

典型设置

引入filter的概念,实质是同一套权重

卷积的优势

  • 有些要素比整张图片小的多
  • 同一要素可能会出现在不同区域

二、另一角度切入

卷积层

多次经过卷积层

在第二次卷积时,输入的原始图片信息增加了!

所以不是一直分区域处理的。随着层数的增加,考虑的范围会逐渐变大

三、两种介绍的对比

分享的权重其实就是filter

 卷积 = 不同的filter扫过整个矩阵 = 不同的感受野公用权重参数

观测3:截出主要元素不会改变标签

引入池化层

每次选出一个作为代表

MAX pooling:每个区域选出最大的作为代表

四、CNN全过程总结

五、应用:下围棋

每个棋子有48个channel,代表48个状态

CNN为啥能用于下围棋?因为他们的这两点特征相似

由于棋子不能省略,用于围棋中不能加入池化层

更多应用:语音、自然语音处理。。。

举报

相关推荐

0 条评论