长夜漫漫，无心睡眠

几乎0基础直接看官方文档还是有点吃力的~ 我应该如何引用Keras？ 如果它有助于您的研究，请在您的出版物中引用Keras。这是一个BibTeX条目示例： @misc{chollet2015keras, title={Keras}, author={Chollet, Fran\c{c}ois and others}, year={2015}, howpublished={\...

1*1卷积 也称为network in network。 信道数量很大时，可以用1*1卷积压缩信道数量 也可以根据自己的意愿来压缩，保持或者增加信道数量 谷歌Inception网络 Inception网络或Inception层的作用就是代替人工确定卷积层中的过滤器类型，或者确定是否要创建卷积层或池化层。 瓶颈层即网络中最小的层。 下图计算每层的计算成本，以第一层（28*...

filters： 卷积核（就是过滤器！）的数目（即输出的维度） kernel_size： 单个整数或由两个整数构成的list/tuple，卷积核（过滤器）的宽度和长度。（kernel n.核心，要点，[计]内核） 如为单个整数，则表示在各个空间维度的相同长度。 strides： 单个整数或由两个整数构成的list/tuple，为卷积的步长。 如为单个整数，则表示在各个空间维度的相同步长。...

一个卷积神经网络包括卷积层，池化层和全连接层（fully connected layer） 在统计神经网络有多少层时，通常只统计具有权重和参数的层，因为池化层没有权重和参数，所以我们把一个Conv（卷积层）和一个POOL（池化层）共同作为一个卷积，两者组成神经网络Layer（层）的一部分。 当将下图的POOL2平整化为一个大小为400的一维向量时，再利用这400个单元构建下一层（含有12...

缩减模型大小，提高计算速度，同时提高所提取特征的鲁棒性 最大化操作就是只要在任何一个象限内提取到某个特征，它都会保留在最大池化的输出里。（保留其最大值） Max pooling （最大池化）计算方法： 像卷积那样移动过滤器，不同的是每个区域不再相乘计算，而是取最大值作为输出层对应区域的值。 池化层并没有参数需要学习，但是有超级参数（HypeParameter）：f和s（过滤器大...

卷积得到图像矩阵之后再对矩阵加一个偏差，然后应用非线性激活激活函数（eg:relu）,输出结果为矩阵 *输出图像中的通道数量=神经网络中这一层所使用的过滤器数量！ 例如加了10个过滤器，输出结果结果的通道数就是10 而过滤器的通道数量=输入中通道的数量 权重也就是过滤器的集合，再乘以过滤器的总数量 损失数量L就是l层中过滤器的个数 偏差bias在代码中表示为1*1*1...

过滤器就是卷积核！ 此处的卷积操作在数学中严格来说叫做互相关，即卷积前得先对过滤器进行双重镜操作，但在深度学习中双重镜操作不重要，所以默认这就是卷积。 二维图像的卷积： n:图像的尺寸 f:过滤器（f*f) 用来对图像进行卷积运算 p:padding（填充） 图像边缘利用率低，对图像进行填充(向外扩展)，增加边缘信息利用率 s:步幅 过滤器在图像中行进的步长 用一个f...