top of page
CNN組層結構及流程

Convolution(輸入層)


Convolution(卷積層)


Pooling(池化層)


Output(輸出層)


Hidden(隱藏層)


Fully Connected Layer
(全連接層)

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

卷積層
基本運算
從5*5的圖片中,利用濾鏡取出圖片特徵。算法如左圖
卷積運算就是將原始圖片的與特定的Feature Detector(filter)做卷積運算,卷積運算就是將下圖兩個5*5的矩陣作相乘後再相加
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
池化層
基本概念

4
4
4
4
池化層主要功用是降維的形式,縮小特徵圖(Feature map)尺寸,減少需要訓練的參數,避免過適(overfitting)的可能。,而池化層有好幾種方法,如左圖,我們採取「最大池化(Max pooling)」,因為期方式是最為常見的,不然就是曾經「平均池化法(Mean pooling)」的使用較為廣泛,但是近年來研究顯示大最大池化法表現更好。
bottom of page