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