Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
6bc62fc0
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
6bc62fc0
编写于
6月 27, 2019
作者:
轩
轩辕御龙
提交者:
Aston Zhang
8月 28, 2019
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
a small adjustment for lenet.md in chapter_convolutional-neural-networks (#528)
上级
ea0fa315
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
1 addition
and
1 deletion
+1
-1
chapter_convolutional-neural-networks/lenet.md
chapter_convolutional-neural-networks/lenet.md
+1
-1
未找到文件。
chapter_convolutional-neural-networks/lenet.md
浏览文件 @
6bc62fc0
...
...
@@ -3,7 +3,7 @@
在
[
“多层感知机的从零开始实现”
](
../chapter_deep-learning-basics/mlp-scratch.md
)
一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开,得到长度为784的向量,并输入进全连接层中。然而,这种分类方法有一定的局限性。
1.
图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。
2.
对于大尺寸的输入图像,使用全连接层容易
造成模型过大。假设输入是高和宽均为$1,000$像素的彩色照片(含3个通道)。即使全连接层输出个数仍是256,该层权重参数的形状是$3,000,000
\t
imes 256$:它占用了大约3 GB的内存或显存。这带来过
复杂的模型和过高的存储开销。
2.
对于大尺寸的输入图像,使用全连接层容易
导致模型过大。假设输入是高和宽均为$1,000$像素的彩色照片(含3个通道)。即使全连接层输出个数仍是256,该层权重参数的形状也是$3,000,000
\t
imes 256$:它占用了大约3 GB的内存或显存。这会带来过于
复杂的模型和过高的存储开销。
卷积层尝试解决这两个问题。一方面,卷积层保留输入形状,使图像的像素在高和宽两个方向上的相关性均可能被有效识别;另一方面,卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算,从而避免参数尺寸过大。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录