1.10 卷积神经网络示例(Convolutional neural network example)

简单的数字识别CNN例子:

CONV层后面紧接一个POOL层,CONV1和POOL1构成第一层,CONV2和POOL2构成第二层。FC3和FC4为全连接层FC,跟标准的神经网络结构一致。最后的输出层(softmax)由10个神经元构成

整个网络各层的尺寸和参数如下表格所示:

池化层和最大池化层没有参数;卷积层的参数相对较少,许多参数都存在于神经网络的全连接层。随着神经网络的加深,激活值尺寸会逐渐变小,如果激活值尺寸下降太快,也会影响神经网络性能

尽量不要自己设置超参数,而是查看文献中别人采用了哪些超参数,选一个在别人任务中效果很好的架构,也可能适用于自己的应用程序

在神经网络中,另一种常见模式就是一个或多个卷积后面跟随一个池化层,然后一个或多个卷积层后面再跟一个池化层,然后是几个全连接层,最后是一个softmax

Last updated