這是love1005lin在CSDN上2021-11-19發(fā)布的一篇深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)，內(nèi)容整理的精簡，移動，現(xiàn)在將其進(jìn)行轉(zhuǎn)載，供大家參考。

01 基本原理

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)大致包括：卷積層、激活函數(shù)、池化層、全連接層、輸出層等。

▲ 圖1.1 CNN的基本結(jié)構(gòu)

 

▲ 圖1.2 CNN 的基本結(jié)構(gòu)

 

一、卷積層

 

1、二維卷積

給定二維的圖像作為輸入，二維卷積核，卷積運(yùn)算可以表示為：$$Sleft( {i,j} right) = left( {I * K} right)left( {i,j} right) = sumlimits_m{} {sumlimits_n{} {Ileft( {i - m,j - n} right) cdot Kleft( {m,n} right)} }$$

卷積運(yùn)算中的卷積核需要進(jìn)行上下翻轉(zhuǎn)和左右翻轉(zhuǎn)：

如果忽略卷積核的左右翻轉(zhuǎn)，對于實(shí)數(shù)卷積實(shí)際上與互相換運(yùn)算是一致的：

▲ 圖1.1.1 二維卷積 運(yùn)算示意圖

 

2、卷積步長

卷積步長，也就是每次卷積核移動的步長。

下圖顯示了卷積步長分別為1,2兩種情況下的輸出結(jié)果。從中可以看到，當(dāng)步長大于1之后，相當(dāng)于從原來的的步長為1的情況下結(jié)果進(jìn)行降采樣。

▲ 圖1.1.2 卷積步長分別為1，2兩種情況下輸出的結(jié)果

 

3、卷積模式

根據(jù)結(jié)果是否要求卷積核與原始圖像完全重合，部分重合以及結(jié)果尺寸的要求，卷積模式包括有三種：

• Full：允許卷積核部分與原始圖像重合；所獲得結(jié)果的尺寸等于原始圖像尺寸加上卷積核的尺寸減1；
• Same：允許卷積核部分與原始圖像重合；但最終截取Full卷積結(jié)果中中心部分與原始圖像尺寸相同的結(jié)果；
• Validate：所有卷積核與原始圖像完全重合下的卷積結(jié)果；結(jié)果的尺寸等于原始圖像的尺寸減去卷積核尺寸加1；

下面顯示了三種卷積模式對應(yīng)的情況。實(shí)際上可以通過對于原始圖像補(bǔ)零（Padding）然后通過Validate模式獲得前面的Full，Same兩種模式的卷積結(jié)果。

▲ 圖1.1.3 三種卷積模式示意圖

 

4、數(shù)據(jù)填充

 

（1）邊緣填充

數(shù)據(jù)填充，也稱為Padding。如果有一個尺寸為的圖像，使用尺寸為卷積核進(jìn)行卷積操作，在進(jìn)行卷積之前對于原圖像周圍填充層數(shù)據(jù)，可以影響卷積輸出結(jié)果尺寸。

下面就是對于原始的圖像周圍進(jìn)行1層的填充，可以將Validate模式卷積結(jié)果尺寸增加1。

▲ 圖1.1.4 對于原始的圖像周圍進(jìn)行1層的填充，可以將Validate模式卷積結(jié)果尺寸增加1

▲ 圖1.1.5  邊緣填充，步長為2的卷積

 

（2）膨脹填充

對于數(shù)據(jù)的填充也可以使用數(shù)據(jù)上采樣填充的方式。這種方式主要應(yīng)用在轉(zhuǎn)置卷積（反卷積中）。

▲ 圖1.1.6  轉(zhuǎn)置卷積對于數(shù)據(jù)膨脹填充

 

5、感受野

感受野：卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖(featuremap)上的像素點(diǎn)在輸 入圖片上映射的區(qū)域大小，即特征圖上的一個點(diǎn)對應(yīng)輸入圖上的區(qū) 域。

下圖反映了經(jīng)過幾層卷積之后，卷積結(jié)果所對應(yīng)前幾層的圖像數(shù)據(jù)范圍。

▲ 圖1.1.7 經(jīng)過幾層卷積之后，卷積結(jié)果所對應(yīng)前幾層的圖像數(shù)據(jù)范圍

 

計算感受野的大小，可以從后往前逐層計算：

• 第層的感受野大小和第層的卷積核大小、卷積步長有關(guān)系，同時也與層的感受野大小有關(guān)系；假設(shè)最后一層（卷積層或者池化層）輸出的特征圖感受也都大學(xué)（相對于其直接輸入而言）等于卷積核的大小；

  ●  公式中：
   Si：第i層步長,Stride
   Ki：第i層卷積核大小，Kernel Size

感受野的大小除了與卷積核的尺寸、卷積層數(shù)，還取決與卷積是否采用空洞卷積（Dilated Convolve）有關(guān)系：

▲ 圖1.1.8 卷積核進(jìn)行膨脹之后，進(jìn)行空洞卷積可以擴(kuò)大視野的范圍

 

▲ 圖1.1.9 空洞卷積尺寸放大兩倍的情況

 

6、卷積深度

卷積層的深度(卷積核個數(shù))：一個卷積層通常包含多個尺寸一致的卷積核。如果在CNN網(wǎng)絡(luò)結(jié)構(gòu)中，一層的卷積核的個數(shù)決定了后面結(jié)果的層數(shù)，也是結(jié)果的厚度。

▲ 圖1.1.10 多個卷積核形成輸出結(jié)果的深度（厚度）

 

7、卷積核尺寸

卷積核的大小一般為奇數(shù)奇數(shù) 1×1，3×3，5×5，7×7都是最常見的。這是為什么呢？為什么沒有偶數(shù)偶數(shù)？

（1）更容易padding

在卷積時，我們有時候需要卷積前后的尺寸不變。這時候我們就需要用到padding。

（2）更容易找到卷積錨點(diǎn)

在CNN中，進(jìn)行卷積操作時一般會以卷積核模塊的一個位置為基準(zhǔn)進(jìn)行滑動，這個基準(zhǔn)通常就是卷積核模塊的中心。若卷積核為奇數(shù)，卷積錨點(diǎn)很好找，自然就是卷積模塊中心，但如果卷積核是偶數(shù)，這時候就沒有辦法確定了，讓誰是錨點(diǎn)似乎都不怎么好。

▲ , LeNET CNN的結(jié)構(gòu)示意圖

 

二、激活函數(shù)

激活函數(shù)是用來加入非線性因素，提高網(wǎng)絡(luò)表達(dá)能力，卷積神經(jīng)網(wǎng)絡(luò)中最常用的是ReLU，Sigmoid使用較少。

▲ 圖1.2.1 常見到的激活函數(shù)

 

▲ 圖1.2.2 激活函數(shù)表達(dá)式以及對應(yīng)的微分函數(shù)

 

1、ReLU函數(shù)

ReLU函數(shù)的優(yōu)點(diǎn)：

• 計算速度快，ReLU函數(shù)只有線性關(guān)系，比Sigmoid和Tanh要快很多輸入為正數(shù)的時候，不存在梯度消失問題

  ReLU函數(shù)的缺點(diǎn)：

• 強(qiáng)制性把負(fù)值置為0，可能丟掉一些特征當(dāng)輸入為負(fù)數(shù)時，權(quán)重?zé)o法更新，導(dǎo)致“神經(jīng)元死亡”(學(xué)習(xí)率不 要太大)

2、Parametric ReLU

• 當(dāng)?shù)臅r候，稱為 Leaky ReLU；當(dāng)從高斯分布隨機(jī)產(chǎn)生的時候，稱為 Randomized ReLU(RReLU)

  PReLU函數(shù)的優(yōu)點(diǎn)：

• 比sigmoid/tanh收斂快；解決了ReLU的“神經(jīng)元死亡”問題；

  PReLU函數(shù)的缺點(diǎn)：

• 需要再學(xué)習(xí)一個參數(shù)，工作量變大

3、ELU函數(shù)

ELU函數(shù)的優(yōu)點(diǎn)：

• 處理含有噪聲的數(shù)據(jù)有優(yōu)勢更容易收斂

ELU函數(shù)的缺點(diǎn)：

• 計算量較大，收斂速度較慢

CNN在卷積層盡量不要使用Sigmoid和Tanh，將導(dǎo)致梯度消失。首先選用ReLU，使用較小的學(xué)習(xí)率，以免造成神經(jīng)元死亡的情況。

如果ReLU失效，考慮使用Leaky ReLU、PReLU、ELU或者M(jìn)axout，此時一般情況都可以解決

4、特征圖

• 淺層卷積層：提取的是圖像基本特征，如邊緣、方向和紋理等特征深層卷積層：提取的是圖像高階特征，出現(xiàn)了高層語義模式，如“車輪”、“人臉”等特征

三、池化層

池化操作使用某位置相鄰輸出的總體統(tǒng)計特征作為該位置 的輸出，常用最大池化 (max-pooling)和均值池化(average- pooling) 。

池化層不包含需要訓(xùn)練學(xué)習(xí)的參數(shù)，僅需指定池化操作的核大小、操作步幅以及池化類型。

▲ 圖1.3.1 最大值池化一是均值池化示意圖

 

池化的作用：

• 減少網(wǎng)絡(luò)中的參數(shù)計算量，從而遏制過擬合；
• 增強(qiáng)網(wǎng)絡(luò)對輸入圖像中的小變形、扭曲、平移的魯棒性(輸入里的微 小扭曲不會改變池化輸出——因?yàn)槲覀冊诰植苦徲蛞呀?jīng)取了最大值/ 平均值)幫助我們獲得不因尺寸而改變的等效圖片表征。這非常有用，因?yàn)?這樣我們就可以探測到圖片里的物體，不管它在哪個位置

四、全連接與輸出層

• 對卷積層和池化層輸出的特征圖(二維)進(jìn)行降維將學(xué)到的特征表示映射到樣本標(biāo)記空間的作用

輸出層：

• 對于分類問題采用Softmax函數(shù)：

• 對于回歸問題，使用線性函數(shù)：

五、CNN的訓(xùn)練

 

1、網(wǎng)絡(luò)訓(xùn)練基本步驟

CNN的訓(xùn)練，也稱神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法與經(jīng)典BP網(wǎng)絡(luò)是一樣的，都屬于隨機(jī)梯度下降（SGD：Stochastic Gradient Descent），也稱增量梯度下降，實(shí)驗(yàn)中用于優(yōu)化可微分目標(biāo)函數(shù)的迭代算法。

Step 1：用隨機(jī)數(shù)初始化所有的卷積核和參數(shù)/權(quán)重

Step 2：將訓(xùn)練圖片作為輸入，執(zhí)行前向步驟(卷積， ReLU，池化以及全連接層的前向傳播)并計算每個類別的對應(yīng)輸出概率。

Step 3：計算輸出層的總誤差

Step 4：反向傳播算法計算誤差相對于所有權(quán)重的梯度，并用梯度下降法更新所有的卷積核和參數(shù)/權(quán)重的值，以使輸出誤差最小化

注：卷積核個數(shù)、卷積核尺寸、網(wǎng)絡(luò)架構(gòu)這些參數(shù)，是在 Step 1 之前就已經(jīng)固定的，且不會在訓(xùn)練過程中改變——只有卷 積核矩陣和神經(jīng)元權(quán)重會更新。

2、網(wǎng)絡(luò)等效為BP網(wǎng)絡(luò)

和多層神經(jīng)網(wǎng)絡(luò)一樣，卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)訓(xùn)練也是使用誤差反向傳播算法，關(guān)于池化層的訓(xùn)練，需要再提一下，是將池化層改為多層神經(jīng)網(wǎng)絡(luò)的形式：

▲ 圖1.5.1 神經(jīng)網(wǎng)絡(luò)中池化層對應(yīng)著多層神經(jīng)網(wǎng)絡(luò)

 

▲ 圖1.5.2 卷積層對應(yīng)的多層神經(jīng)網(wǎng)絡(luò)的形式

 

▲ 圖1.5.3 卷積層對應(yīng)的多層神經(jīng)網(wǎng)絡(luò)形式

 

3、每層特征圖尺寸

輸入圖片的尺寸：一般用n×n表示輸入的image大小。

卷積核的大?。阂话阌?f*f 表示卷積核的大小。

填充（Padding）：一般用 p 來表示填充大小。

步長(Stride)：一般用 s 來表示步長大小。

輸出圖片的尺寸：一般用 o來表示。

如果已知n 、 f 、 p、 s 可以求得 o ，計算公式如下：

  ●  其中：
   []：是向下取整符號，用于結(jié)果不是整數(shù)時向下取整

 

02 經(jīng)典CNN

▲ 圖2.1 CNN發(fā)展脈絡(luò)

 

一、LeNet-5

 

1、簡介

LeNet-5由LeCun等人提出于1998年提出，主要進(jìn)行手寫數(shù)字識別和英文字母識別。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，LeNet雖小，各模塊齊全，是學(xué)習(xí) CNN的基礎(chǔ)。

參考：http://yann.lecun.com/exdb/lenet/

  Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Gradient-based learning applied to document recognition. Proceedings of the IEEE, November 1998.

2、網(wǎng)絡(luò)結(jié)構(gòu)

▲ 圖2.1.1 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

 

輸入層：32 × 32  的圖片，也就是相當(dāng)于1024個神經(jīng)元；

C1層(卷積層)：選擇6個 5 × 5 的卷積核，得到6個大小為32-5+1=28的特征圖，也就是神經(jīng)元的個數(shù)為 6 × 28 × 28 = 4704；

S2層(下采樣層)：每個下抽樣節(jié)點(diǎn)的4個輸入節(jié)點(diǎn)求和后取平均(平均池化)，均值 乘上一個權(quán)重參數(shù)加上一個偏置參數(shù)作為激活函數(shù)的輸入，激活函數(shù)的輸出即是下一層節(jié)點(diǎn)的值。池化核大小選擇 2 ∗ 2 得到6個 14 ×14大小特征圖

C3層(卷積層)：用 5 × 5 的卷積核對S2層輸出的特征圖進(jìn)行卷積后，得到6張10 × 10新 圖片，然后將這6張圖片相加在一起，然后加一個偏置項(xiàng)b，然后用 激活函數(shù)進(jìn)行映射，就可以得到1張 10 × 10 的特征圖。我們希望得到 16 張 10 × 10 的 特 征 圖 ， 因 此 我 們 就 需 要 參 數(shù) 個 數(shù) 為 16 × ( 6 × ( 5 × 5 ) ) 個參數(shù)

S4層(下采樣層)：對C3的16張 10 × 10 特征圖進(jìn)行最大池化，池化核大小為2 × 2，得到16張大小為 5 × 5的特征圖。神經(jīng)元個數(shù)已經(jīng)減少為:16 × 5 × 5 =400

C5層(卷積層)：用 5 × 5 的卷積核進(jìn)行卷積，然后我們希望得到120個特征圖，特征圖 大小為5-5+1=1。神經(jīng)元個數(shù)為120（這里實(shí)際上是全連接，但是原文還是稱之為了卷積層）

F6層(全連接層)：有84個節(jié)點(diǎn)，該層的訓(xùn)練參數(shù)和連接數(shù)都( 120 + 1 ) × 84 = 10164

Output層：共有10個節(jié)點(diǎn)，分別代表數(shù)字0到9，如果節(jié)點(diǎn)i的輸出值為0，則網(wǎng)絡(luò)識別的結(jié)果是數(shù)字i。采用的是徑向基函數(shù)(RBF)的網(wǎng)絡(luò)連接方式：

$$y_i  = sumlimits_j{} {left( {x - j - w_{ij} } right)2 } $$

總結(jié)：卷積核大小、卷積核個數(shù)(特征圖需要多少個)、池化核大小(采樣率多少)這些參數(shù)都是變化的，這就是所謂的CNN調(diào)參，需要學(xué)會根據(jù)需要進(jìn)行不同的選擇。

二、AlexNet

 

1、簡介

AlexNet由Hinton的學(xué)生Alex Krizhevsky于2012年提出，獲得ImageNet LSVRC-2012(物體識別挑戰(zhàn)賽)的冠軍，1000個類別120萬幅高清圖像（Error: 26.2%(2011) →15.3%(2012)），通過AlexNet確定了CNN在計算機(jī)視覺領(lǐng)域的王者地位。

參考：A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012.

首次成功應(yīng)用ReLU作為CNN的激活函數(shù)使用Dropout丟棄部分神元，避免了過擬合使用重疊MaxPooling(讓池化層的步長小于池化核的大小)， 一定程度上提升了特征的豐富性使用CUDA加速訓(xùn)練過程進(jìn)行數(shù)據(jù)增強(qiáng)，原始圖像大小為256×256的原始圖像中重 復(fù)截取224×224大小的區(qū)域，大幅增加了數(shù)據(jù)量，大大減 輕了過擬合，提升了模型的泛化能力

2、網(wǎng)絡(luò)結(jié)構(gòu)

AlexNet可分為8層(池化層未單獨(dú)算作一層)，包括5個卷 積層以及3個全連接層：

▲ 圖2.2.1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)

 

輸入層：AlexNet首先使用大小為224×224×3圖像作為輸入(后改為227×227×3) （227-11+2*0）/4+1=55

第一層(卷積層)：包含96個大小為11×11的卷積核，卷積步長為4，因此第一層輸出大小為55×55×96；然后構(gòu)建一個核大小為3×3、步長為2的最大池化層進(jìn)行數(shù)據(jù)降采樣，進(jìn)而輸出大小為27×27×96

第二層(卷積層)：包含256個大小為5×5卷積核，卷積步長為1，同時利用padding保證 輸出尺寸不變，因此該層輸出大小為27×27×256；然后再次通過 核大小為3×3、步長為2的最大池化層進(jìn)行數(shù)據(jù)降采樣，進(jìn)而輸出大小為13×13×256

第三層與第四層(卷積層)：均為卷積核大小為3×3、步長為1的same卷積，共包含384個卷積核，因此兩層的輸出大小為13×13×384

第五層(卷積層)：同樣為卷積核大小為3×3、步長為1的same卷積，但包含256個卷積 核，進(jìn)而輸出大小為13×13×256;在數(shù)據(jù)進(jìn)入全連接層之前再次 通過一個核大小為3×3、步長為2的最大池化層進(jìn)行數(shù)據(jù)降采樣， 數(shù)據(jù)大小降為6×6×256，并將數(shù)據(jù)扁平化處理展開為9216個單元

第六層、第七層和第八層(全連接層)：全連接加上Softmax分類器輸出1000類的分類結(jié)果，有將近6千萬個參數(shù)

三、VGGNet

 

1、簡介

VGGNet由牛津大學(xué)和DeepMind公司提出：

• Visual Geometry Group:https://www.robots.ox.ac.uk/~vgg/DeepMind:https://deepmind.com/

參考：K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.

比較常用的是VGG-16，結(jié)構(gòu)規(guī)整，具有很強(qiáng)的拓展性。相較于AlexNet，VGG-16網(wǎng)絡(luò)模型中的卷積層均使用 3 ∗ 3 的 卷積核，且均為步長為1的same卷積，池化層均使用 2 ∗ 2的 池化核，步長為2。

2、網(wǎng)絡(luò)結(jié)構(gòu)

▲ 圖2.3.1 VGGNet網(wǎng)絡(luò)結(jié)構(gòu)

 

兩個卷積核大小為 3 ∗ 3 .55∗5， 相當(dāng)于單個卷積核大小為 5 ∗ 5  的卷積層兩者參數(shù)數(shù)量比值為( 2 ∗ 3 ∗ 3 ) / ( 5 ∗ 5 ) = 72  ，前者參數(shù)量更少此外，兩個的卷積層串聯(lián)可使用兩次ReLU激活函數(shù)，而一個卷積層只使用一次

四、Inception Net

 

1、簡介

Inception Net 是Google公司2014年提出，獲得ImageNet LSVRC-2014冠軍。文章提出獲得高質(zhì)量模型最保險的做法就是增加模型的深度(層數(shù))或者是其寬度(層核或者神經(jīng)元數(shù))，采用了22層網(wǎng)絡(luò)。

Inception四個版本所對應(yīng)的論文及ILSVRC中的Top-5錯誤率：

Going Deeper with Convolutions: 6.67%

Batch Normalization: Accelerating Deep Network Training by

Reducing Internal Covariate Shift: 4.8%

RethinkingtheInceptionArchitectureforComputerVision:3.5%

Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning: 3.08%

 

2、網(wǎng)絡(luò)結(jié)構(gòu)

Inception Module

• 深度：層數(shù)更深，采用了22層，在不同深度處增加了兩個 loss來避免上述提到的梯度消失問題
• 寬度：Inception Module包含4個分支，在卷積核3x3、5x5 之前、max pooling之后分別加上了1x1的卷積核，起到了降低特征圖厚度的作用

1×1的卷積的作用：可以跨通道組織信息，來提高網(wǎng)絡(luò)的表達(dá)能力；可以對輸出通道進(jìn)行升維和降維。

▲ 圖2.4.1 Inception Net網(wǎng)絡(luò)結(jié)構(gòu)

 

五、ResNet

 

1、簡介

ResNet(Residual Neural Network)，又叫做殘差神經(jīng)網(wǎng) 絡(luò)，是由微軟研究院的何凱明等人2015年提出，獲得ImageNet ILSVRC 2015比賽冠軍，獲得CVPR2016最佳論文獎。

隨著卷積網(wǎng)絡(luò)層數(shù)的增加，誤差的逆?zhèn)鞑ミ^程中存在的梯 度消失和梯度爆炸問題同樣也會導(dǎo)致模型的訓(xùn)練難以進(jìn)行，甚至?xí)霈F(xiàn)隨著網(wǎng)絡(luò)深度的加深，模型在訓(xùn)練集上的訓(xùn)練誤差會出現(xiàn)先降低再升高的現(xiàn)象。殘差網(wǎng)絡(luò)的引入則有助于解決梯度消失和梯度爆炸問題。

殘差塊：

  ResNet的核心是叫做殘差塊(Residual block)的小單元， 殘差塊可以視作在標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上加入了跳躍連接(Skip connection)。

• 原連接：

▲ 圖2.5.1 原鏈接結(jié)構(gòu)示意圖

 

• 跳躍連接：

▲ 圖2.5.2 跳躍結(jié)構(gòu)示意圖

 

• Skip connection作用：

記：

我們有：

 

六、Densenet

 

1、簡介

DenseNet中，兩個層之間都有直接的連接，因此該網(wǎng)絡(luò)的直接連接個數(shù)為L(L+1)/2。

對于每一層，使用前面所有層的特征映射作為輸入，并且使用其自身的特征映射作為所有后續(xù)層的輸入：

▲ 圖2.6.1 DenseNet示意圖

參考：Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700- 4708).

2、網(wǎng)絡(luò)結(jié)構(gòu)

5層的稠密塊示意圖：

▲ 圖2.6.2 5層DenseNet的結(jié)構(gòu)

 

DenseNets可以自然地擴(kuò)展到數(shù)百個層，而沒有表現(xiàn)出優(yōu)化困難。在實(shí)驗(yàn)中，DenseNets隨著參數(shù)數(shù)量的增加，在精度上產(chǎn)生一致的提高，而沒有任何性能下降或過擬合的跡象。

優(yōu)點(diǎn)：

• 緩解了消失梯度問題加強(qiáng)了特征傳播，鼓勵特征重用一定程度上減少了參數(shù)的數(shù)量

※ 總  結(jié) ※

這是love1005lin在CSDN上2021-11-19發(fā)布的一篇深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)，內(nèi)容整理的精簡，移動，現(xiàn)在將其進(jìn)行轉(zhuǎn)載，并發(fā)布在公眾號“TSINGHUAZHUOQING”中。

深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)（CNN）[2] : https://blog.csdn.net/love1005lin/article/details/121418206?utm_source=app&app_version=4.20.0

參考資料

[1]深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)（CNN）: https://blog.csdn.net/love1005lin/article/details/121418206?utm_source=app&app_version=4.20.0