Coursera吳恩達《卷積神經網路》課程筆記（2）-深度卷積模型：案例研究

《Convolutional Neural Networks》是Andrw Ng深度學習專項課程中的第四門課。這門課主要介紹卷積神經網路（CNN）的基本概念、模型和具體應用。該門課共有4周課時，所以我將分成4次筆記來總結，這是第2節筆記。

1

Why look at case studies

本周課程將主要介紹幾個典型的CNN案例。通過對具體CNN模型及案例的研究，來幫助我們理解知識並訓練實際的模型。

典型的CNN模型包括：

LeNet-5

AlexNet

VGG

除了這些性能良好的CNN模型之外，我們還會介紹Residual Network（ResNet）。其特點是可以構建很深很深的神經網路（目前最深的好像有152層）。

另外，還會介紹Inception Neural Network。接下來，我們將一一講解。

2

Classic Networks

LeNet-5模型是Yann LeCun教授於1998年提出來的，它是第一個成功應用於數字識別問題的卷積神經網路。在MNIST數據中，它的準確率達到大約99.2%。

典型的LeNet-5結構包含CONV layer，POOL layer和FC layer，順序一般是CONV layer->POOL layer->CONV layer->POOL layer->FC layer->FC layer->OUTPUT layer，即 y^。下圖所示的是一個數字識別的LeNet-5的模型結構：

該LeNet模型總共包含了大約6萬個參數。值得一提的是，當時Yann LeCun提出的LeNet-5模型池化層使用的是average pool，而且各層激活函數一般是Sigmoid和tanh。現在，我們可以根據需要，做出改進，使用max pool和激活函數ReLU。

AlexNet模型是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton共同提出的，其結構如下所示：

VGG-16模型更加複雜一些，一般情況下，其CONV layer和POOL layer設置如下：

CONV = 3x3 filters, s = 1, same

MAX-POOL = 2x2, s = 2

VGG-16結構如下所示：

VGG-16的參數多達1億3千萬。

轉自：機器學習演算法與自然語言處理

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！