卷积神经网络1讲述.pptx

卷积神经网络 深度学习之 20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。 概述 Background 研究方法 Research Method 全连接与局部连接 研究方法 Research Method 研究方法 Research Method 网络结构 Network Structure 网络结构 Network Structure 网络结构 Network Structure 网络结构 Network Structure 网络结构 Network Structure 网络结构 Network Structure 输出层的残差 网络结构 Network Structure 下一层为采样层的卷积层的残差 网络结构 Network Structure 下一层为采样层的卷积层的残差： o 为元素对应相乘。 有了残差，我们就可以求出该层每个特征图的偏置项和卷积核的导数，公式为： 网络结构 Network Structure 下一层为卷积层的采样层的残差 由反向传播算法可知，如果要求第L层的残差，需要利用第L+1层与之相关的所有像素的残差。 如图，P为采样层，K为卷积核，C为卷积层。卷积层C的计算结果如下： 反向传输调整权重 下一层为卷积层的采样层的残差 当我们计算P1 ,P2上午残差时，需要利用与之相关的所有C1，C2的残差，即： 同理，可得到如下对应： 反向传输调整权重 下一层为卷积层的采样层的残差 当把卷积层C周围填充0，对卷积核直接做相关操作时就满足要求。 在MATLAB中的残差公式如下所示： 特点 Characters 特点 Characters 敬请批评指正！