tensorflow学习之路-----卷积神经网络个人总结

卷积神经网络大总结（个人理解）

神经网络

1、概念：从功能他们模仿真实数据

2、结构：输入层、隐藏层、输出层。其中隐藏层要有的参数：权重、偏置、激励函数、过拟合

3、功能：能通过模仿，从而学到事件

其中过拟合：电脑太过于自信，想把所有的数据都模拟下来。但是这并不符合我们的实际的需求

激励函数：激活某一些参数

卷积神经网络：

1、一般的结构：输入数据、卷积层、池化层、卷积层、池化层、全连接层、全连接层、误差分析、参数优化、显示精确度

2、每一个层的要求：

输入数据：类型：[-1(表示能接受任意张图片)，图片的长度，图片的宽度、图片的灰度级]

卷积层  ：fittler滤波器：意义：扫描图片，得到一个数值。类型：[卷积核的长度，卷积核的宽度，图片的灰度值，特征映射值（厚度）]其中的1，1是给定。卷积函数：输入数据、滤波器、步长（类型[1，图片左右移动的步数，图片上下移动的步数，1]，padding=”扫描的方式”

卷积得到的数据，可以用tf.nn.Rule的激励函数激励

池化层：池化函数的参数：卷积层1激励后的数据，池化窗口的大小（shape[1,长，宽，1],步长(shape[1,向左右移动的步数，上下移动的步数，1],padding=“扫描的方式”

卷积层2：参数个数一样，但是输入的数据是池化1输出的数据，卷积核我们也可以定义，其他的都一样

池化层：变化最大的是输入的数据数卷积层2输出的数据

全连接神经元：输入的数据是池化2输出的数据，要记得重新设定类型。隐藏层：权重，偏置。。。隐藏层输出的数据可以过拟合和tf.nn.relu激励函数

全连接神经元2：类似全连接神经元。但是这一层的输出数据要用到tf.nn.softmax激励函数

误差分析、优化：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

计算精确值函数

其他：

1、其中每一层的卷积层和池化层都是讲特征映射的更加详细，具体有用

2、池化层在实际应用中用来抵抗输入的轻微形变或者位移

3、全连通层的工作原理是根据之前其它层的输出，检测哪些特征与特定的 类别相匹