Jetson Nano系列教程9:TensorFlow入门介绍 总结篇 | 您所在的位置:网站首页 › tensorflow平均池化层 › Jetson Nano系列教程9:TensorFlow入门介绍 总结篇 |
图2 (图片来源于网络/侵删) 池化层是CNN中一个隐藏层,池化层的作用是缩减模型的大小,提高计算速度,同时减小噪声提高所提取特征的稳健性。池化理解为抽象化特征,提取特征,还有补偿卷积过程中消失的特征信息作用。池化有最大池化和平均池化。直观理解看下图3。图3为最大池化,将卷积后的图像进行缩小,提取或抽象化特征,没有足够的证据证明这种直观解释的正确性,而最大池化被使用的主要原因是它在很多实验中的效果都很好。一次卷积运算难以提取出全局的特征,因此需要在一层卷积基础上继续做卷积计算,提取脸上鼻子、嘴等特征信息,这就是多层卷积。通过卷积池化这样构建网络,每层输出会相应减少权重偏置的参数,简化训练难度,有些CNN模型并没池化层也能对图像分类有很好的效果,所以池化层(Pool)是可选项。 图3 (图片来源于网络/侵删) 下图4进行CNN图片分类任务中,CONV表示进行卷积,RELU表示卷积层的激活函数,POOL表示池化层,FC(Fully Connect)表示全连接层用于将识别到特征进行分类后输出,CNN网络是在隐藏层进行合理堆叠卷积池化层(不断提取特征)、全连接层进行分类实现图像识别的。
图4(图片来源于网络/侵删) CNN更多内容请点击相关链接:吴恩达《深度学习》系列课程笔记 ②、循环卷积网络(RNN,Recurrent Neural Network),RNN主要是对有序列模型进行处理,如输入法输入关联词时,能预测后续输出,此前较热门应用有使用RNN写实时新闻稿,写论文等,其中可让程序猿高效办公的Deep TabNine插件自动预测代码输出更是让RNN大放异彩。 RNN更多内容请点击相关链接:吴恩达《深度学习》系列课程笔记 |
CopyRight 2018-2019 实验室设备网 版权所有 |