层 |
---|
功能 | 主要参数 | 卷积层 |
提取特征 | 卷积核大小、步长、填充 | 激活函数 |
非线性变换 | ReLU、sigmoid、tanh | 池化层 |
降采样 | 池化类型(最大池化、平均池化)、池化窗口大小、步长 | 全连接层 |
分类或回归 | 神经元数量 |
卷积神经网络结构详解(专业角度)
卷积层:
卷积核滑动在输入数据上提取特征。
卷积核大小决定了感受野的大小。
步长控制卷积核在输入数据上的移动距离。
填充可用于控制输出特征图的尺寸。
激活函数:
引入非线性,使 CNN 能够学习复杂关系。
ReLU 等激活函数允许模型学习稀疏表示,提高泛化能力。
池化层:
降采样输入特征图,减少计算量和特征图尺寸。
最大池化保留特征图中的最大值,平均池化计算平均值。
池化窗口大小和步长控制降采样程度。
全连接层:
将卷积层提取的特征映射到最终输出。
神经元数量决定了输出维度。
![](http://tse1.mm.bing.net/th/id/OIP.55EYffCFFI84Pu9E9DFYTAHaDC?w=.jpg)