《深度学习全连接层》由会员分享，可在线阅读，更多相关《深度学习全连接层（3页珍藏版）》请在装配图网上搜索。
1、深度学习全连接层本篇文章将讲述关于全连接层的一些基本概念。首先将完全连接的层视为具有以下属性的黑匣子：在正向传播上1.具有3个输入（输入信号，权重，偏置）2.具有1个输出，关于反向传播1.具有1个输入（dout），其大小与输出相同。2.具有3个（dx,dw,db）输出，其大小与输入相同。Input:4DTer&orH计算图的观点为了发现每个输入如何影响输出（反向传播），最好将算法表示为计算图:到目前为止，所有示例都只处理输入中的单个兀素,但是通常:一次我们只处理p个以上的示例。例如，在GPU上通常同时具有256张图像的批处理。诀窍是将输入信号表示为2d矩阵NxD;，其中N是批处理大小D是输入信
2、号的大小。因此，如果您考虑每个数字为28x28x1（灰度）的CIFAR数据集，则图像D为784,因此如果我们在同一批次上有10个数字，则输入为10x784。为了便于讨论，让我们考虑先前的样本，其中向量X表示为，如果我们想拥有一批4个元素，我们将拥有：2iajnpiE4边担吨同”在这种情况下，必须以支持该矩阵乘法的方式表示W,因此根据其创建方式，可能需要对其进行转置。叱1L晦继续向前传播将计算为111itnibls*职册1，；$曲71咸成2jampfs2北女盘皿庄卫11il11222)+加豁职比2切昶血礙q13出231sfimplei见理珂回02sGjrj血Lsampley2sGjr.pl.20
3、1samfayisGJT.：血3这里要注意的一点是，该偏置已重复了4次以适应乘积X.W，在这种情况下将生成矩阵4x2。在matlab上，命令“repmat”完成了这项工作。在python上，它会自动执行。使用符号引擎在转到实现之前，最好先验证在Matlab或Python（符号）符号引擎上的操作。在手动编码功能之前，这将有助于可视化和探索结果。Matlab上的符号向后传播现在我们还要确认反向传播公式。在Matlab上观察将表达式转换为的函数“latex”：输入张量我们的库将处理图像，并且大多数时候我们将同时处理数百个图像的矩阵运算。因此，我们必须找到一种表示它们的方法，这里我们将一批图像表示为4
4、d张量或3d矩阵的数组。在下面，我们有一批4张RGB图片（宽度：160,高度：120）。我们将它们加载到matlab/python上，并将它们组织成一个4d矩阵：观察到在matlab中图像变成了120x160x3的矩阵。我们的张量将是120x160x3x4，在Python上，将图像存储在张量上之前，我们先进行转置，将图像120x160x3转换为3x120x160,然后存储在张量4x3x120x160上。VariableexpbrerNameTTypeSizeValueairplaneuint8(12D.160,3)array(43,B4,14648,胆，146cat2uint8(12D.160
5、,3)arrant27r53,54|I込企55,cattrarsuint8(3,120,J60jarray(27,26,25.46,45,49P2时26(25.53(.doguint8(12D.160,3)arra/d：32L,198f82.122,296,78duckuint8(12D.160,3)array(72.BS,40,I忆33,40binput_temsoRfloat64(13P120,160)arra/|：27.r26.,25r.r4645.H49J.2S.r26.ObjectinspecterVaritbeexplorerFileexp.orerPrcfikrIPythonco
6、nsole飞田Corsole14aj0/AXn94:fromscipy.niscinocrtinreadn35:cat=iireadf/home/leD/PLctures/Ca:.jpg):.:doc=imreadf/home/1cd/PLctures/Dog.jpg)；.:duck=inread(1/home/lec/Pictjrei/Duzk.jpg)；.:airplane=inread(/hoii&/lo/Ricturei/ALrp.ane.jpg)n96:inputtensor=npzeros(：4,3,120,1C6)n97:cettrans=cat.trairspoEet(2h6r1In91:irput_tefisorOt:,:=cat.transaoseUS,0hll).:input_tens&rlt:,:,:=dog.transDoseU2p0h11).:input_tens&r2t:,:,:=duck“釧枫摘门，&pD)
深度学习全连接层
