一个数学博士的高度学习方法（第 5 部分）

这种种类的正弦可用在 3D 当中查找联系的任务当中。例如，并不一定分割或侦测录像带当中的运动。

据闻，如果我们将体积为 nxnxt 的数据资料与 kxkxt 多种形式的虚拟机进行时正弦，我们不会赢取一个二维运算符。让我们看一个都是。

断言我们有一个彩色影像作为读写，体积为 3x3x3，虚拟机体积为 2x2x3，因此读写为

3x3x3 维读写

我们在每个入口当中进行时正弦

R为黄色入口，B为深蓝色入口，G为橙色入口

所以我们的输入是

我们可以用逻辑学的作法所述

汇集

池化是下降特质左图体积的一种操作者。在特质左图上滑动一个窗口，只选项最大值或计算出来不等值。

池化操作者未值，因此不不会“深造”和调整。我们可以用下面的公式计算出来池化后的特质左图的体积。

断言一个 4x4 的读写 I 和一个 2x2 的最大池如下，我们将赢得一个 3x3 的特质左图。

断言现在相异的情况下，但可用不等池化，让我们可用 2 的步幅。

一般而言，max pooling 有能够的性能，但是在 pooling 当中被盗了多少资讯，在实践当中可用的非常少。

在实践当中，最常用的正弦体积为 3x3、5x5 和 7x7，但也可以可用其他依次。可用这些体积的可能是它们的计算出来密集度极低，并且具与不大体积的虚拟机相异的性能。

华尔街日报的概述

正如我们所看得见的，MLP 和 CNN 之间存在差异。在 CNN 当中，连续层当中的每个小脑从影像当中的一小外局部图形转送读写；CNN 层当中的每个小脑具相异的系数；CNN 是平移不函数，即无论影像上的后方如何，都可以侦测到相异的并不一定；CNN 的值较少，最常用的激活函数是 ReLU、PReLU 和指数离散单元。

一般而言，CNN的管理系统是：

如下附注

下一篇…

OK！我们踏进了 CNN 领域的环游世界。总的来说，我决心您喜欢并了解 CNN 的工作原理。在下一篇撰文当中，我们将发现另一个十分无聊的的管理系统，即循环神经互联 (RNN)。再见！