目录
一、用自己的语言解释一下概念
1.局部感知、权值共享
2.池化(子采样、降采样、汇聚)。会带来那些好处和坏处？
3.全卷积网络
4.低级特征、中级特征、高级特征
5.多通道。N输入、M输出是如何实现的？
6.1×1的卷积核有什么作用？
二、使用cnn进行XO识别
1.导入数据集，并对数据集拆分小批量
2.构建cnn模型
3.训练模型：
编辑
4.读取一张图片进行预测
5.计算模型准确率
编辑
6.查看训练好的模型特征图
7.查看训练好的模型和卷积核
8.重新设计网络结构
增加一个卷积层，卷积层达到三层以上
模型训练结果
去掉池化层，对比“有无池化”的效果
1.局部感知、权值共享
局部感知是指神经元只与前一层的部分神经元相连，构成一个局部连接网络。
作用：降低网络的复杂性；提高计算效率；专注于局部特征
权值共享：卷积核的参数对于同一层的神经元是相同的。(也许可以理解为同一层神经元使用一个卷积核？)
2.池化(子采样、降采样、汇聚)。会带来那些好处和坏处？
池化是卷积神经网络中的一个重要操作，即对卷积层输出的特征图进行约减，选取特定区域内的最大值（最大池化，Max Pooling）或平均值（平均池化，Mean Pooling）等作为该区域的输出。
好处：可以显著减少特征图的尺寸和数量
坏处：可能会导致一些数据的丢失
3.全卷积网络
全卷积神经网络（Fully Convolutional Networks，FCN），只有卷积层和池化层。
4.低级特征、中级特征、高级特征
低级特征：直接从原始数据中提取的特征。如：颜色
中级特征：更高层次的特征。如：形状
高级特征：更抽象和复杂的特征。如：部件（眼睛、嘴巴）
5.多通道。N输入、M输出是如何实现的？
输入张量：具有[N,C,H,W]分别为批量大小、输入通道数、图像的高度和宽度
卷积核：[O,C,K_h,K_w],输出通道数、输入通道数、卷积核的高度和宽度
卷积操作，N输入一般是指输入图像的个数，输出通道数为卷积核个数
6.1×1的卷积核有什么作用？
改变通道数
1.复现参考资料代码，注：该部分主要为对每行代码功能实现的理解
1.导入数据集，并对数据集拆分小批量
2.构建cnn模型
定义卷积层1，输入通道1，输出通道9，卷积核大小为3×3
定义最大池化层，每2×2区域选择最大值作为输出，池化窗口移动步幅为2
定义卷积层2，输入通道为9，(上一个卷积层输出9)，输出通道5，卷积核大小为3×3
定义三个全连接层，输入为27×27×5。图像像素为116，第一次卷积后为116-3+1=114，池化后114/2=57，第二次卷积57-3+1=55，池化55/2=27.5，向下取整故为27
3.训练模型：
预测输出，计算损失，计算梯度、更新参数，完成训练
4.读取一张图片进行预测
其中， 这行代码的作用是：从张量中取出第一张图像，并在其形状的最前面增加一个大小为1的新维度，现在是一个四维张量，可以作为一个批量大小为1的输入传递给模型。
5.计算模型准确率
6.查看训练好的模型特征图
保存数据在卷积、激活、池化后的结果，分别进行图像输出
卷积后图像的边界特征更加明星
激活后看到图像更“黑”了，原因：使用relu函数进行激活，如果x小于或等于0，则输出0.当大量像素值被置为0时，图像的整体亮度会下降。
池化后图片的尺寸减少一半
7.查看训练好的模型和卷积核
8.重新设计网络结构
增加一个卷积层，卷积层达到三层以上
增加一个卷积层，输入通道5（卷积2输出通道数5），输出3，卷积核大小3*3
此时图像大小为27-3+1=25，经池化层25/2=12.5，即12
模型训练结果
去掉池化层，对比“有无池化”的效果
去掉池化层，图像的尺寸从12变为110，数据量变大
较小的训练次数内，损失收敛性大大降低。
准确率只有50%，
到此这篇卷积层stride（resnet50有多少个卷积层）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/75350.html