常见的网络结构
卷积层与池化层通常交替出现,也有多个卷积层后一个池化层。
卷积加池化的组合重复M次后,提取到所有特征,再用K个全连接层将特征映射到O个输出特征;
再经过一个全连接层或softmax或两者都用,决定输出结果。
输入层:输入图像数据集
卷积层(convolutional layer):通过卷积抽取出图像中的一些特征,相邻区域进行卷积计算
池 化 层 (pooling layer):主动减小图片尺寸,从而减小参数数量和计算量,防止过拟合;包括 最大池化、平均池化、L2池化等
全连接层(full-connected layer):分类器,将高维特征映射成一维特征向量,包含所有特征信息,最终用于分类
softmax层:对输出进行归一化处理,输出分类概率,作用:凸显较大值并抑制较小值,从而显著抑制次要特征
输出层:最终的分类结果
top-1与top-5错误率
top-1错误率:模型预测出的最高概率结果和真实标记不一致的数量,在总样本数据总量的比例。
top-5错误率:模型预测出的最高的前5个概率结果都和真实标记不一致的数量,在总样本数据总量的比例。
举例:输入图像的真实标记为狗,分类结果若为
1. 狗:0.9、猫 0.7、兔 0.5、猪 0.2、羊 0.1,则表示结果正确,不计入错误率;
2. 猫:0.9、狗 0.7、兔 0.5、猪 0.2、羊 0.1,则表示top-5结果正确,不计入top-5错误率;top-1结果错误,计入top-1错误率;
3. 狐:0.9、猫 0.7、兔 0.5、猪 0.2、羊 0.1,则表示top-5结果错误,计入top-5错误率;top-1结果错误,计入top-1错误率;
激活函数
损失函数
标签:计入,结果,错误率,top,常见,概念,特征,深度,卷积 From: https://www.cnblogs.com/shirley-bhu/p/17099811.html