**




昨天用DNN
今天CNN



首先拉成一維向量，網絡結構與1616，100100，不能適配，

神經元一多直接爆炸，螺旋起飛



卷積的簡化：

使像素部分鏈接，權值共享，下采樣



計算量降數量級


先取小圖像，滑動窗口，把每個小塊算了一遍，從頭到尾，神經元的權重都使那一部分
下采樣：



卷積計算：

卷積核，而不是濾波器，因為要學值，而不是給定（尺寸是給定的，煉丹）



分類任務一般接全連接層
卷積大大減少了模型參數量

特征多了，多加卷積核
一個卷積核提取一種特征
多個提取多個


pooling
最大池化：左上，右上，左下，右下，每四個取最大值
平均池化：左上，右上，左下，右下，每四個取平均值

應用實例：
先取一部分區域，卷積，池化
在特征圖上再取區域，卷積，池化
池化：降參數（個人：模糊化）

大佬的丹方：

這個的介紹可以回去聽

分類比圖像檢測更精確

原理還是梯度下降


怎樣挑優化器，一般都集成，有一個很好的逃離鞍點的論文幾千引用

后面是實踐：

飛槳api的，，，接口文檔

學習率：直接搜就能找到**

總結

以上是生活随笔為你收集整理的飞桨第三课2020.4.2的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。