Search results
更新：看了前面有人推荐的博客，写得灰常好，博主就是我推荐论文的二作。闲来无事，干脆把要点用中文
The first layer in a CNN is always a Convolutional Layer. First thing to make sure you remember is what the input to this conv (I’ll be using that abbreviation a lot) layer is. Like we mentioned before, the input is a 32 x 32 x 3 array of pixel values.
知乎，让每一次点击都充满意义 —— 欢迎来到知乎，发现问题背后的世界。
卷积神经网络（CNN）是深度神经网络（DNN）家族中的一员，其处理数据（如图像）的核心方式是卷积操作，因此而得名。本文详细介绍了CNN的基本结构、用途、局限和与其他DNN的区别，以及一些相关的资源和链接。
CNN比较常见的层有卷积层、池化层（max或者mean）、全连接层，其中池化层又包括普通池化层和用在全连接层之前的全局池化层（global pooling）。按照市面上最常见的观点，CNN本身结构中卷积+池化就具有平移不变性。本人并不同意这个观点，下面具体分析一下。
同时，CNN 有一些它独特的地方，比如各种定义： CNN 可以看作是 DNN 的一种简化形式，即这里 Convolution Kernel 中的每一个权值就可以看成是 DNN 中的 w ，且与 DNN 一样，会多一个参数 Bias b; 一个 Convolution Kernel 在与 Input 不同区域做卷积时，它的参数是固定不变的。
Nov 16, 2016 · 本文介绍了CNN（卷积神经网络）是一种从视觉皮层的生物学上获得启发的深度学习模型，用于图像识别、分类和检测等任务。文章详细解释了CNN的结构、参数、激活函数、池化层、卷积层等核心概念，并给出了相关的数学公式和示例。
但是在做CNN的时候是只考虑感受野红框里面的资讯，而不是图片的全局信息。所以CNN可以看作是一种简化版本的self-attention。 或者可以反过来说，self-attention是一种复杂化的CNN，在做CNN的时候是只考虑感受野红框里面的资讯，而感受野的范围和大小是由人决定的。
Dec 17, 2016 · 对，数据很重要，同时模型也很重要。简单的举一个例子，如果你对某种图像数据很了解，但是不懂cnn如何对这些图像进行提取高维特征，那么最后可能还是会使用hog或者传统的sift特征检测算法。 还要注意的是，在这里我们主要谈论计算机视觉的深度学习架构。
卷积神经网络 (CNN)是一种深度学习模型，可以从大规模数据中自动学习特征，并用于图像识别，语音识别等多种应用。本文介绍了CNN的基础结构，训练方法，以及主流的CNN架构，如VGG，ResNet等。
