您现在的位置是:首页 > 文章详情

Stanford CS231n实践笔记(课时14卷积神经网络详解 上)

日期:2018-04-17点击:252
本课我们主要来研究一个“浏览器中的卷积神经网络”
img_0329b2b7f0363fef467f839043e0e038.png
这只是一个展示项目,但是能够帮助直观地看到一些东西
地址:https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html

layer_defs = [];
layer_defs.push({type:'input', out_sx:32, out_sy:32, out_depth:3});
layer_defs.push({type:'conv', sx:5, filters:16, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'softmax', num_classes:10});

net = new convnetjs.Net();
net.makeLayers(layer_defs);
网络的构造就是conv-pool-conv-pool这样的过程。
img_33b12946c1f56283f9db41bbf8f0c8db.jpe
原始图片输入
img_b79d1e75e7ea300327e228f4a742dbd4.jpe
第一层卷积
img_489e3fa81365135607b3a56330dc0266.jpe
    和relu
第一层pool
img_54542f7d859653895a9d3ed0b1c7d0a4.jpe
可以返现,图片的大小降低明显
第二次
img_5fb79d3464b75d975de63ed99e337043.png
img_27042471b07c51d31467619c40f3afde.png
第三次
img_9337ceb1f4d949a253fb10f736fc6147.png
img_4aae8037d64c6bdd17631a3de5bf8dda.png
最后,全连接并softmax
img_39e9632526abccca340c91cfb4d44aa3.png
结束了。基本能够理解。
可以预见的一点是,在这样一个发展迅速的时代,拥有数据分析背景、能力,特别是深度学习技术,将使工程师具备价值。要想办法克服显示的瓶颈,成为这样的人。毕竟,真正的牛人是创造规则的。



来自为知笔记(Wiz)


目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com
原文链接:https://yq.aliyun.com/articles/649398
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。

文章评论

共有0条评论来说两句吧...

文章二维码

扫描即可查看该文章

点击排行

推荐阅读

最新文章