基于卷积神经网络(CNN)的深度学习图片分类
基于卷积神经网络(CNN)的深度学习图片分类
1.卷积操作
2.提取特征
提取特征，就是利用一个 (一个特征) 固定的卷积核(一个矩阵)，然后对图片的像素进行矩阵处理，每个图像矩阵与卷积核进行 点乘(卷积) 得到的值就是得分。
得分越高说明特征越明显。
3.激活图
4.池化
就是为了减少计算，将子矩形用一个点表示(最大池化，平均，概率矩阵点乘)
5.迁移学习
基于别人已有的训练好的神经网络，我们只需修改最后一层的神经网络结点，如需要三分类就把上图的最后一层1*1*1000改成1*1*3
减少建模和网络训练。
6.胶囊网络
池化会忽略准确位置、姿态等信息。
7.学习文章
https://www.bilibili.com/video/BV1JE411u7K8?from=search&seid=15851655054951940065&spm_id_from=333.337.0.0
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！