基于卷积神经网络(CNN)的深度学习图片分类
Posted Harris-H
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于卷积神经网络(CNN)的深度学习图片分类相关的知识，希望对你有一定的参考价值。
基于卷积神经网络(CNN)的深度学习图片分类
1.卷积操作
2.提取特征
提取特征，就是利用一个 (一个特征) 固定的卷积核(一个矩阵)，然后对图片的像素进行矩阵处理，每个图像矩阵与卷积核进行 点乘(卷积) 得到的值就是得分。
得分越高说明特征越明显。
3.激活图
4.池化
就是为了减少计算，将子矩形用一个点表示(最大池化，平均，概率矩阵点乘)
5.迁移学习
基于别人已有的训练好的神经网络，我们只需修改最后一层的神经网络结点，如需要三分类就把上图的最后一层1*1*1000改成1*1*3
减少建模和网络训练。
6.胶囊网络
池化会忽略准确位置、姿态等信息。
7.学习文章
https://www.bilibili.com/video/BV1JE411u7K8?from=search&seid=15851655054951940065&spm_id_from=333.337.0.0
以上是关于基于卷积神经网络(CNN)的深度学习图片分类的主要内容，如果未能解决你的问题，请参考以下文章
深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天
深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天
深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天
深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天