% 匿名函數(shù) % https://zhidao.baidu.com/question/2080108157746414228.html

% 分段函數(shù) % https://blog.csdn.net/weixin_44463313/article/details/120113345

% case1;

sat=@(t)(-1.*(t<-1)+t*(t>=-1& t<=1)+1.*(t>1));

sat(-0.2)

%?case2;

k0=2;

sat=@(t)(-1.*(t<-1/k0)+k0.*t*(t>=-1/k0 & t<=1/k0)+1.*(t>1/k0));

sat(0.2)

卷積神經(jīng)網(wǎng)絡(luò)的七條核心知識(shí)

0）卷積神經(jīng)網(wǎng)絡(luò)由哪幾部分組成？卷積神經(jīng)網(wǎng)絡(luò)在視覺(jué)上具有較大的應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)分為卷積層、池化層和全連接層。

1）什么是卷積核，卷積核的作用是什么？其中卷積核是一種數(shù)字矩陣，不同的卷積核用來(lái)提取特征，不同的卷積核可以提取不同的特征，位于不同深度的卷積核提取的也不同。正是因?yàn)榫矸e核再圖像內(nèi)滑動(dòng)提取特征的性質(zhì)，一整張圖像使用一個(gè)卷積核，使得卷積神經(jīng)網(wǎng)絡(luò)具有參數(shù)共享的特性，也就減少了計(jì)算量。

2）什么是卷積層？不同卷積層的作用是什么？標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的每層執(zhí)行的是激活函數(shù)的輸入輸出操作，卷積神經(jīng)網(wǎng)絡(luò)的每層卷積層是執(zhí)行卷積操作。一般來(lái)說(shuō)卷積層的第一層可以提取不同方向的紋理，第二層可以提取顏色等信息，更深層次的神經(jīng)網(wǎng)絡(luò)可以提取不同性質(zhì)的組合狀態(tài)。

3）怎樣解決卷積的過(guò)程中會(huì)使圖像變小問(wèn)題？可以通過(guò)padding的方法先擴(kuò)充圖像再卷積，這樣使得輸出圖像大小保持不變。padding方法還可以解決卷積過(guò)程中邊緣像素卷積次數(shù)少的問(wèn)題。

4）什么是池化層？池化層的作用是什么？池化層在卷積層后面，可以使卷積后的特征得到強(qiáng)化。池化層分為兩種，max pooling和average pooling，池化層的作用是將明顯的特征進(jìn)一步提取。

5）什么是全連接層？全連接層是卷積神經(jīng)網(wǎng)絡(luò)最后的部分，通常是全連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，起到分類的作用。全連接層通常連接softmax分類器用來(lái)分類。

6）經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型有哪些？inception模型是將不同的卷積核形成的輸出放在一起，讓神經(jīng)網(wǎng)絡(luò)自主判斷哪種卷積核起作用。GoogloNet就是使用inception模型建立的卷積神經(jīng)網(wǎng)絡(luò)。經(jīng)典的LeNet-5網(wǎng)絡(luò)、AlexNet和VGG-16在整體結(jié)構(gòu)上都差不多，都由卷積層、池化層和全連接層組成，差別在于深度不同。殘差網(wǎng)絡(luò)中有跳躍式連接，因此殘差網(wǎng)絡(luò)可以將神經(jīng)網(wǎng)絡(luò)訓(xùn)練的很深，在保證良好性能的同時(shí)并且可以有效解決梯度爆炸和梯度消失的等問(wèn)題。

————————————————

版權(quán)聲明：本文為CSDN博主「工科pai」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明。

原文鏈接：https://blog.csdn.net/weixin_45653050/article/details/104669862