Stanford CS231n实践笔记（课时14卷积神经网络详解 上）

本课我们主要来研究一个“浏览器中的卷积神经网络”

这只是一个展示项目，但是能够帮助直观地看到一些东西

地址：https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html

layer_defs = [];
layer_defs.push({type:'input', out_sx:32, out_sy:32, out_depth:3});
layer_defs.push({type:'conv', sx:5, filters:16, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});
layer_defs.push({type:'pool', sx:2, stride:2});
layer_defs.push({type:'softmax', num_classes:10});

net = new convnetjs.Net();
net.makeLayers(layer_defs);

网络的构造就是conv-pool-conv-pool这样的过程。

原始图片输入

第一层卷积

    和relu

第一层pool

可以返现，图片的大小降低明显

第二次

第三次

最后，全连接并softmax

结束了。基本能够理解。

可以预见的一点是，在这样一个发展迅速的时代，拥有数据分析背景、能力，特别是深度学习技术，将使工程师具备价值。要想办法克服显示的瓶颈，成为这样的人。毕竟，真正的牛人是创造规则的。

来自为知笔记(Wiz)