卷積神經網絡大總結（個人理解）

神經網絡

1、概念：從功能他們模仿真實數據

2、結構：輸入層、隱藏層、輸出層。其中隱藏層要有的參數：權重、偏置、激勵函數、過擬合

3、功能：能通過模仿，從而學到事件

其中過擬合：電腦太過於自信，想把所有的數據都模擬下來。但是這並不符合我們的實際的需求

激勵函數：激活某一些參數

卷積神經網絡：

1、一般的結構：輸入數據、卷積層、池化層、卷積層、池化層、全連接層、全連接層、誤差分析、參數優化、顯示精確度

2、每一個層的要求：

輸入數據：類型：[-1(表示能接受任意張圖片)，圖片的長度，圖片的寬度、圖片的灰度級]

卷積層 ：fittler濾波器：意義：掃描圖片，得到一個數值。類型：[卷積核的長度，卷積核的寬度，圖片的灰度值，特征映射值（厚度）]其中的1，1是給定。卷積函數：輸入數據、濾波器、步長（類型[1，圖片左右移動的步數，圖片上下移動的步數，1]，padding=”掃描的方式”

卷積得到的數據，可以用tf.nn.Rule的激勵函數激勵

池化層：池化函數的參數：卷積層1激勵後的數據，池化窗口的大小（shape[1,長，寬，1],步長(shape[1,向左右移動的步數，上下移動的步數，1],padding=“掃描的方式”

卷積層2：參數個數一樣，但是輸入的數據是池化1輸出的數據，卷積核我們也可以定義，其他的都一樣

池化層：變化最大的是輸入的數據數卷積層2輸出的數據

全連接神經元：輸入的數據是池化2輸出的數據，要記得重新設定類型。隱藏層：權重，偏置。。。隱藏層輸出的數據可以過擬合和tf.nn.relu激勵函數

全連接神經元2：類似全連接神經元。但是這一層的輸出數據要用到tf.nn.softmax激勵函數

誤差分析、優化：cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_data * tf.log(prediction),

reduction_indices=[1]))

train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)交叉商

計算精確值函數

其他：

1、其中每一層的卷積層和池化層都是講特征映射的更加詳細，具體有用

2、池化層在實際應用中用來抵抗輸入的輕微形變或者位移

3、全連通層的工作原理是根據之前其它層的輸出，檢測哪些特征與特定的 類別相匹

tensorflow學習之路-----卷積神經網絡個人總結