【编辑推荐】

1. 初学者指南：神经统??天然说话处理中的应用
2. 神经收集练习中，傻傻分不清Epoch、Batch Size和迭代
3. 应用反向传播练习独裁神经收集的道理
4. 神经收集求解新思路：OpenAI用线性收集计算非线性问题
5. 当前深度神经收集模型紧缩和加快办法速览

Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践

卷积神经收集

经收集构造图

图2 卷积神经收集构造图

卷积神经收集和全连接的神经收集构造上的差别照样比较大年夜的，全连接的收集，相邻两层的节点都有边相连，而卷积神经收集，相邻节点只有部分节点相连。

全连接神经收集处理图像的最大年夜问题在于全连接层的参数太多，参数太多的话轻易产生过拟归并且会导致计算速度减慢，卷积神经收集可以减小参数个数的目标。

def random_mini_batches1(X, Y, mini_batch_size = 64, seed = 0): 
    m = X.shape[0]                  # number of training examples 
    mini_batches = [] 
    np.random.seed(seed) 
    Y=Y.T         #(1080,6) 
    # Step 1: Shuffle (X, Y) 
    permutation = list(np.random.permutation(m)) 
    shuffled_X = X[permutation,:,:,:] 
    shuffled_Y = Y[permutation,:].reshape((m,Y.shape[1])) 
 
    # Step 2: Partition (shuffled_X, shuffled_Y). Minus the end case. 
    num_complete_minibatches = math.floor(m/mini_batch_size) # number of mini batches of size mini_batch_size in your partitionning 
    for k in range(0, num_complete_minibatches): 
        mini_batch_X = shuffled_X[k * mini_batch_size : k * mini_batch_size + mini_batch_size,:,:,:] 
        mini_batch_Y = shuffled_Y[k * mini_batch_size : k * mini_batch_size + mini_batch_size,:] 
        mini_batch = (mini_batch_X, mini_batch_Y) 
        mini_batches.append(mini_batch) 
     
    # Handling the end case (last mini-batch < mini_batch_size) 
    if m % mini_batch_size != 0: 
        mini_batch_X = shuffled_X[num_complete_minibatches * mini_batch_size : m,:,:,:] 
        mini_batch_Y = shuffled_Y[num_complete_minibatches * mini_batch_size : m,:] 
        mini_batch = (mini_batch_X, mini_batch_Y) 	
			
 1/5    1 2 3 4 5 下一页 尾页
	
			

　　推荐阅读
　　区块链分叉是怎么回事儿？终于懂了
            Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践
            
                
                    
                
                最终，只有一条链会被保存下>>>详细阅读


本文标题：深入浅出解读卷积神经网络
地址：http://www.17bianji.com/lsqh/39218.html
 1/2    1