没有合适的资源?快使用搜索试试~ 我知道了~
第四章第四章 经典络经典络录第四章第四章 经典络解读经典络解读4.1.1 模型介绍4.1.2 模型结构4.1.3 模型特性4.2.1 模型介绍4.2.2 模型结
资源详情
资源评论
资源推荐
第四章第四章 经典⽹络经典⽹络
DeepLearning
1
1
1
1
3
3
3
3
5
5
5
5
7
7
7
7
8
9
9
9
10
11
11
11
18
18
18
18
18
⽬录
第四章第四章 经典⽹络解读经典⽹络解读
4.1 LeNet- 5
4.1.1 模型介绍
4.1.2 模型结构
4.1.3 模型特性
4.2 AlexNet
4.2.1 模型介绍
4.2.2 模型结构
4.2.3 模型特性
4.3 ZFNet
4.3.1 模型介绍
4.3.2 模型结构
4.3.3 模型特性
4.4 Network in Network
4.4.1 模型介绍
4.4.2 模型结构
4.4.3 模型特点
4.5 VGGNet
4.5.1 模型介绍
4.5.2 模型结构
4.5.3 模型特性
4.6 GoogLeNet
4.6.1 模型介绍
4.6.2 模型结构
4.6.3 模型特性
Restnet
Densenet
4.7 为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的?
参考⽂献
第四章 经典⽹络解读
4.1 LeNet-5
4.1.1 模型介绍
4.1.2 模型结构
4.1.3 模型特性
4.2 AlexNet
4.2.1 模型介绍
4.2.2 模型结构
4.2.3 模型特性
4.3 ZFNet
4.3.1 模型介绍
4.3.2 模型结构
4.3.3 模型特性
4.4 Network in Net work
4.4.1 模型介绍
4.4.2 模型结构
4.4.3 模型特点
4.5 VGGNet
4.5.1 模型介绍
4.5.2 模型结构
4.5.3 模型特性
4.6 GoogLeNet
4.6.1 模型介绍
4.6.2 模型结构
4.6.3 模型特性
Restnet
Densenet
4.7 为什么现在的CNN模型都是在GoogleNet 、VGGNet或者AlexNet上调整的?
参考⽂献
第四章 经典⽹络解读
4.1 LeNet-5
4.1.1 模型介绍
LeNet -5是由 提出的⼀种⽤于识别⼿写数字和机器印刷字符的卷积神经⽹络(Convolutional Neural
Network,CNN) ,其命名来源于作者 的名字,5则是其研究成果的代号,在LeNet -5之前还有LeNet-4和LeNet-1
鲜为⼈知。LeNet -5阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取,同时使⽤卷积、下采样(池化)
和⾮线性映射这样的组合结构,是当前流⾏的⼤多数深度图像识别⽹络的基础。
4.1.2 模型结构
第四章 经典⽹络解读
1/19
图4.1 LeNet -5⽹络结构图
如图4.1所⽰,LeNet-5⼀共包含7层(输⼊层不作为⽹络结构),分别由2个卷积层、2个下采样层和3个连接层组成,⽹络的
参数配置如表4.1所⽰,其中下采样层和全连接层的核尺⼨分别代表采样范围和连接矩阵的尺⼨(如卷积核尺⼨中的
表⽰核⼤⼩为 、步长为 且核个数为6的卷积核)。
表4.1 LeNet -5⽹络参数配置
⽹络层⽹络层 输⼊尺⼨输⼊尺⼨ 核尺⼨核尺⼨ 输出尺⼨输出尺⼨ 可训练参数量可训练参数量
卷积层
下采样层
卷积层
下采样层
卷积层
全连接层
输出层
在LeNet中,下采样操作和池化操作类似,但是在得到采样结果后会乘以⼀个系数和加上⼀个偏置项,所以下采样的参数个
数是 ⽽不是零。
卷积层可训练参数并未直接连接 中所有的特征图(Feature Map),⽽是采⽤如图4.2所⽰的采样特征⽅式进⾏连接
(稀疏连接),⽣成的16个通道特征图中分别按照相邻3个特征图、相邻4个特征图、⾮相邻4个特征图和全部6个特征图进⾏映
射,得到的参数个数计算公式为 ,在原论⽂中解释了使⽤这种采样⽅式原
因包含两点:限制了连接数不⾄于过⼤(当年的计算能⼒⽐较弱);强制限定不同特征图的组合可以使映射得到的特征图学习到
不同的特征模式。
第四章 经典⽹络解读
2/19
剩余20页未读,继续阅读
Orca是只鲸
- 粉丝: 26
- 资源: 317
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0