卷积核滤波器简单介绍作用对图片求卷积操作不同的卷积核求取的图片的特征不同操作对应位置乘积相加步长卷积核每次移动的单位长度。 步长越大特征图越小手动设置卷积核中的数字叫权重生成的矩阵叫特征图feature map卷积运算弊端没用充分利用图像边缘处信息边缘像素点只会参与一次运算影响输出结果。填充paddingpadding1时对图像上下左右各填充一个像素一般填充数为0。卷积输出尺寸公式:输出尺寸:输入尺寸padding:填充像素个数stride:步长floor:向下取整单通道二维卷积输入 1 张图1 个 2D 核滑动没有通道求和多通道卷积运算输入张图堆叠每个卷积核在所有输入通道分别卷积结果跨通道相加一个核产生 1 张输出图偏置系数给模型引入平移让激活函数可以左右移动如果没有偏置拟合曲线必须过原点表达能力会下降。前反向传播机制前向传播数据从输入层出发逐层计算得到预测结果。1卷积提取图像的局部特征2池化降低特征图尺寸减少计算量 特征不变性3全连接把前面提取的特征映射到类别空间做分类4损失衡量模型预测结果 和 真实标签之间的差距5损失函数①均方误差MES回归任务\\差的越多罚的越多适用于成绩温度房价预测②交叉熵损失分类任务\\自信答错罚更重适用于猫狗分类垃圾邮件图像识别反向传播比较预测值与真实值算出误差逐层回传调整权重梯度方向指示器梯度下降权重公式:学习率正数一个神经元在干什么①加权求和输入的每个值乘以对应的权重全部相加再加上偏置b。②激活函数对加权求和得到的z做非线性变换ReLU、sigmoid。③输出网络最后一层运算得到最终预测结果作为下一层输入。一个神经元加权求和激活函数