图像说明#xff1a;

3的卷积运算抵消前者的参数数量25(55)后者的参数数量18(23*3)通过叠加卷积层参数数量减少了。

②.叠加小型滤波器来加深网络的好处是可以减少参数的数量扩大感受野(给神经元施加变化的某个局部空间区域)。

2).使学习更加高效

通过加深层可以减少学习数据从而高效的进行学习。

加深层可以分层次的传递信息

2.深度学习网络

VGG是由卷积层和池化层构成的基础CNN它的特点在于将有权重的层卷积层或全连接层叠加至16层或19层。

VGG是基于3*3的小型滤波器卷积层运算是连续进行的通过重复进行“卷积层重叠两次到四次在通过池化层减半的”处理最后经由全连接层输出结果。

2).GoogLeNet

GoogLeNet的特征网络不仅在纵向上有深度在横向上也有广度广度也称为“Inception结构”Inception结构使用了多个大小不同的滤波器(和池化)最后再合并他们的结果。

3).ResNet

在深度学习中过度使用加深层的话很多情况下学习将不能顺利进行导致最终性能不佳在ResNet中为了解决这个问题导入了“快捷结构”导入这个结构后就可以随着层的加深而不断提升性能。

图像说明

在连续2层的卷积层中将输入x跳转至两层后的输出通过“快捷结构”原来的2层卷积层的输出F(x)变成了F(x)x即使加深层也能高效的学习这是因为通过快捷结构反向传播时信号可以无衰减的传递。