tensorflow之深度学习第五天

卷积神经网络介绍以及卷积层结构

一种特定的卷积结构：指定每一层怎么加，加的是什么层，经过这些层得到结果。



所以目的尽量减少最后一层全连接层的权重数量，因为是要线性方程求的。若是1000类别，即权重参数更多了。造成训练耗时间。此时可以在全连接层之前削减特征数量，只找出关键特征，之后全连接层就可以减少参数了。









所以输入以及输出结构怎么改，这就是CNN的灵活性，即基本结构是不变，只是将输出或者一些特定结构一改就可以做其他事情了。



一张图片经过很多层最后经过全连接层输出结果。







卷积层每次观察多少像素，步长即每次移动像素的数量，即指定一个人去扫描图像。







方法2加一圈0，即填充0。到底加几圈0；超过一点加一圈0，不再超过时候就不加了，否则再加0。若超过2个像素，就再加一圈0。











只要选择零填充后，就会自动计算填充个数使得变换前后宽度与高度不变。

**层与池化层

一般设置步长为1，就是为了观察仔细一些。否则会有一些信息损失。








卷积实际在做特征的提取与运算。




经过池化层使得冗余特征数量减少了，保留 有代表性的特征即可。
所以可以经过多个卷积层，使得图片像素变多，之后经过池化又使得特征像素减少了。



可以经过多个池化层后特征像素减少了，可以经过全连接层进行输出了，得出属于每一个类别的概率了。

面试题分析

目的是将图片观察完，不需要再走了，也么用。所以取99即可。

卷积神经网络识别手写数字

自己设计一个卷积网络，明白整个API的使用，怎么定义卷积层，怎么经过池化层，以及数据的整个变化过程是怎么样的要知道。



、





用定义好的权重与偏置在每一层卷积层做运算了 。

、







这里不用softmax，所以得出的10个值，不是概率。





对于深度学习的学习率一般都很小。






谷歌卷积网络设计的很好。

让40%直接失效。即减少数据量的，计算的过拟合问题。