- 樹突/輸入神經元 = 輸入x
- 輸出神經元 = 輸出y
- 軸突 = 權重W (調節強度)
- 突觸 = 偏差值b
- 傳導方式 = 激活函數(非線性)(Sigmoid、ReLU、Tanh...)
功能:捲積層主要用於處理圖像或具有網格狀結構的數據,例如影像和音頻。
操作:它通過滑動一個稱為卷積核的小矩陣來提取特徵,並在輸入數據上執行卷積運算。這有助於檢測圖像中的特定模式和特徵。
應用:如圖像分類、物體檢測和分割。
功能:池化層用於減少特徵映射的尺寸,同時保留重要訊息,從而減少計算成本並增強模型的穩定性。
操作:最常見的池化操作是最大池化,它在特徵映射上滑動一個窗口並保留窗口中的最大值。
應用:池化層通常與捲積層交替使用,用於進一步處理圖像或特徵映射。
功能:Dropout層用於防止神經網絡的過度擬合(Overfitting)
操作:在訓練過程中,Dropout層會隨機地丟棄一定比例的神經元,使模型不能過度依賴特定的神經元,從而增強泛化能力。
應用:Dropout通常添加在全連接層之間,有助於提高模型的穩定性。
功能:全連接層是神經網絡中的經典層,用於將前一層的所有神經元連接到當前層的每個神經元。
操作:每個輸入神經元都與每個輸出神經元之間建立權重連接,並進行線性計算和非線性。
應用:全連接層通常用於模型的最後幾層,以進行最終的分類或回歸任務。