在卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型結(jié)構(gòu)中，我們對(duì)CNN的模型結(jié)構(gòu)做了總結(jié)，這里我們就在CNN的模型基礎(chǔ)上，看看CNN的前向傳播算法是什么樣子的。重點(diǎn)會(huì)和傳統(tǒng)的DNN比較討論。

1. 回顧C(jī)NN的結(jié)構(gòu)

　　　　在上一篇里，我們已經(jīng)講到了CNN的結(jié)構(gòu)，包括輸出層，若干的卷積層+ReLU激活函數(shù)，若干的池化層，DNN全連接層，以及最后的用Softmax激活函數(shù)的輸出層。這里我們用一個(gè)彩色的汽車樣本的圖像識(shí)別再從感官上回顧下CNN的結(jié)構(gòu)。圖中的CONV即為卷積層，POOL即為池化層，而FC即為DNN全連接層，包括了我們上面最后的用Softmax激活函數(shù)的輸出層。

　　　　從上圖可以看出，要理順CNN的前向傳播算法，重點(diǎn)是輸入層的前向傳播，卷積層的前向傳播以及池化層的前向傳播。而DNN全連接層和用Softmax激活函數(shù)的輸出層的前向傳播算法我們?cè)谥vDNN時(shí)已經(jīng)講到了。

2. CNN輸入層前向傳播到卷積層

　　　　輸入層的前向傳播是CNN前向傳播算法的第一步。一般輸入層對(duì)應(yīng)的都是卷積層，因此我們標(biāo)題是輸入層前向傳播到卷積層。

　　　　我們這里還是以圖像識(shí)別為例。

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络(CNN)前向传播算法的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。