Ядро свертки, слой свертки

input===>图

Шаг 1: Вводим изображение

Шаг 2: Это изображение разделено на несколько областей для машины.

Шаг 3: Каждая область будет соответствовать соответствующим параметрам в ядре свертки для извлечения признаков.

output===>区域及对应的特征

объединяющий слой

input===>区域及对应的特征

Шаг 1: Чтобы улучшить качество функций, информация о местоположении области, соответствующей каждой функции, приносится в жертву (Пример: я больше не знаю, где на картинке находится кошка, я знаю только, что есть длинный на картинке как кот)

Второй шаг: субдискретизация, изображение каждой области уменьшается, а разрешение и качество изображения улучшаются.

output===>不知道位置但是更易于机器分辨的区域及对应的特征

Полный соединительный слой

input===>不知道位置但是更易于机器分辨的区域及对应的特征

Шаг 1: прошел обучениемодель нейронной сетиЭти неизвестные особенности сравниваются с тестовым изображением (это морда кошки, это ноги кошки, это хвост кошки...)

Шаг 2: Результаты сравнения каждой части объединяются вместе, и получается результат ----- это кошка

output===>这就是猫

сквозное обучение

При традиционных методах обучения машина не может четко извлекать и обнаруживать функции, поэтому в настоящее время требуется ручное вмешательство, чтобы вручную идентифицировать функции и ввести их обратно в машину.

Комплексное обучение это

数据------>模型------->结果

(Нет необходимости вручную извлекать функции и помогать машине устанавливать функции, позволять машине изучать функции для обнаружения, извлечения и сопоставления, непрерывно от ввода данных до вывода данных, все реализовано в модели)