基于深度学习下的卷积神经网络参数学习
吕响
张书玉
宋英楠
王长忠
李雯琦
牛嘉瑞
渤海大学数学科学学院,辽宁锦州121013
摘要：近年来,深度学习(deep learning)在图像目标识别、语音识别和自然语言处理等诸多方面都得到了广泛的应用.目前,深度学习的主要形式是深层神经网络,而深度卷积神经网络(Convolutional neural networks,CNN)则是其中一种经典而广泛应用的结构.随着深度学习方法在诸多领域的不断深入应用,深层卷积神经网络的学习研究在特征学习、目标分类、边框回归等方面表现出的优势已愈发突出.当前关于卷积神经网络的大多参考书目仅仅是说明了原理,却缺少中间参数迭代计算的推导过程,使得数学基础较弱的初学者理解其原理较为困难.本文详细地给出了CNN算法各层的参数的计算公式及其反向传播下的参数的计算公式的推导过程.这有助于加强对网络结构的了解和对网络参数的学习有一个深刻的认识,对以后的学习及建立模型有很大的帮助.
关键词：深度学习神经网络激活函数反向传播参数学习
分类号：TP183(自动化基础理论)
资助基金：61976027(No)XLYC2008002(No)
论文发表日期：2021-12-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 369-375 )
英文信息