今天的內容會帶大家了解
1. CNN Flow
2. 池化層超參數的調適
CNN 適合用在影像上:
1. fully-connected networking (全連接層) 如果用在影像辨識上
會導致參數過多(因為像素很多),導致 over-fitting(過度擬合)
2. CNN 針對影像辨識的特性,特別設計過,來減少參數
3. Convolution(卷積) : 學出 filter 比對原始圖片,產生出 feature map (特徵圖, 也當成image)
4. Max Pooling (最大池化):將 feature map 縮小
5. Flatten (平坦層):將每個像素的 channels (有多少個filters)
展開成 fully connected feedforward network (全連接的前行網路)
6. AlphaGo 也用了 CNN,但是沒有用 Max Pooling (所以不同問題需要不同model)
有了大概的理解之後,我們開始今天的學習吧!!!