深度學習應用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡_第1頁
深度學習應用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡_第2頁
深度學習應用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡_第3頁
深度學習應用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡_第4頁
深度學習應用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡_第5頁
已閱讀5頁，還剩6頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

目錄1AlexNet簡介01任務AlexNet網(wǎng)絡結構02任務AlexNet網(wǎng)絡層03任務1AlexNet簡介1AlexNet簡介AlexNet是2012年首屆ImageNet圖像分類競賽冠軍模型，由Hinton和他的學生Alex提出，首次證明了學習到的特征可以超越手工設計的特征。AlexNet有以下貢獻：使用ReLU作為非線性激活函數(shù)數(shù)據(jù)擴增使用最大池化使用dropout避免過擬合使用GPU減少訓練時間2AlexNet網(wǎng)絡結構2AlexNet網(wǎng)絡結構Alexnet包含5個卷積層和3個全連接層，層數(shù)為8層3AlexNet網(wǎng)絡層3AlexNet網(wǎng)絡層（1）第一個卷積層，使用兩個大小為11×11×3的卷積核，步長??=4，零填充??=3，得到兩個大小為55×55×48的特征映射組；（2）第一個匯聚層，使用大小為3×3的最大匯聚操作，步長??=2，得到兩個27×27×48的特征映射組．這里的匯聚操作是有重疊的，以提取更多的特征；（3）第二個卷積層，使用兩個大小為5×5×48×128的卷積核，步長??=1，零填充??=2，得到兩個大小為27×27×128的特征映射組；3AlexNet網(wǎng)絡層（4）第二個匯聚層，使用大小為3×3的最大匯聚操作，步長??=2，得到兩個大小為13×13×128的特征映射組；（5）第三個卷積層為兩個路徑的融合，使用一個大小為3×3×256×384的卷積核，步長??=1，零填充??=1，得到兩個大小為13×13×192的特征映射組；

（6）第四個卷積層，使用兩個大小為3×3×192×192的卷積核，步長??=1，零填充??=1，得到兩個大小為13×13×192的特征映射組。3AlexNet網(wǎng)絡層（7）第五個卷積層，使用兩個大小為3×3×192×128的卷積核，步長??=1，零填充??=1，得到兩個大小為13×13×128的特征映射組；（8）第三個匯聚層，使用大小為3×3的最大匯聚操作，步長??=2，得到兩個大小為6×6×128的特征映射組；（9）三個全連接層，神經(jīng)元數(shù)量分別為4096、4096和1000。此外，AlexNet還在前兩個匯聚層之后進行了局部響應歸一化（Loc

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論