Tensorflow学习十---卷积神经网络Tensorflow学习十—卷积神经网络

Tensorflow学习十—卷积神经网络

什么卷积神经网络

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。

卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）。

基础的CNN由 卷积(convolution), 激活(activation), and 池化(pooling)三种结构组成,深层网络包括：数据输入层/ Input layer，卷积计算层/ CONV layer，ReLU激励层 / ReLU layer池化层 / Pooling layer，全连接层 / FC layer，CNN输出的结果是每幅图像的特定特征空间。

当处理图像分类任务时，我们会把CNN输出的特征空间作为全连接层或全连接神经网络(fully connected neural network, FCN)的输入，用全连接层来完成从输入图像到标签集的映射，即分类。当然，整个过程最重要的工作就是如何通过训练数据迭代调整网络权重，也就是后向传播算法。

卷积神经网络有什么优点？

1、局部视野感知，（目的是降低参数数目）下图左侧为全连接，右侧为局部连接。因为图像空间的联系是局部相关性较强，距离远的相关性较弱。

2、权值共享，从大尺寸图像随机选取小块作为样本，在小块样本中学习到特征。学习到的特征跟原本的大尺寸图像作卷积，从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。

3、多卷积核，有时单核提取特征是不充分的，这时我们就可以添加多个卷积核。

如何完成卷积神经网络

Padding & Stride

padding就是为了保持经过Conv后控制大小。stride就是移动的步长，当步长越大得到的Conv后的数据shap就变小了，也就是完成了降维的操作。

padding有两种形式一种是Valid和Same，Valid就是没进行padding，

最后

以上就是无私宝马为你收集整理的Tensorflow学习十---卷积神经网络Tensorflow学习十—卷积神经网络的全部内容，希望文章能够帮你解决Tensorflow学习十---卷积神经网络Tensorflow学习十—卷积神经网络所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。