请选择 进入手机版 | 继续访问电脑版

LeNet;

[复制链接]
余峻 发表于 2021-1-2 17:39:21 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
本文主要列出来本人认为这些网络的要点,关于网络的明白照旧要看链接中的详细内容。
LeNet




  • C3层的16张图
    存在的一个方式是:C3的前6个特征图以S2中3个相邻的特征图子集为输入。接下来6个特征图以S2中4个相邻特征图子集为输入。然后的3个以不相邻的4个特征图子集为输入。最后一个将S2中所有特征图为输入。
    原因:1)淘汰参数,2)这种不对称的组合毗连的方式有利于提取多种组合特征。
  • 最后两层
    F8层:84个值对应一个比特图得84个像素
    Output层 :在比力预测的比特图与数字i的比特图每个像素举行比力,相差越小,值越靠近0,越证明就是这个数字。

    径向基函数:
    一个取值仅仅依赖于离原点隔断的实值函数(y是实数),也就是Φ(x)=Φ(‖x‖),大概还可以是到任意一点c的隔断,c点称为中心点,也就是Φ(x,c)=Φ(‖x-c‖)。任意一个满足Φ(x)=Φ(‖x‖)特性的函数Φ都叫做径向基函数,尺度的一般使用欧氏隔断(也叫做欧式径向基函数),只管其他隔断函数也是可以的。在神经网络结构中,可以作为全毗连层和ReLU层的主要函数。
链接指路:
https://blog.csdn.net/qq_42570457/article/details/81460807.

来源:https://blog.csdn.net/weixin_47032489/article/details/112067667
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

发布主题

专注素材教程免费分享
全国免费热线电话

18768367769

周一至周日9:00-23:00

反馈建议

27428564@qq.com 在线QQ咨询

扫描二维码关注我们

Powered by Discuz! X3.4© 2001-2013 Comsenz Inc.( 蜀ICP备2021001884号-1 )