神经网络 误差
简述信息一览：
CNN网络简介
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
卷积神经网络（Convolutional Neural Networks，CNN）是一种前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。
卷积神经网络（Convolutional Neural Networks， CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理具有类似网格结构数据的深度学习模型，例如图像、语音信号等。
cnn训练准确率很高,测试准确率很低(loss有一直下降)是为什么?
1、数据集的噪声干扰不同：例如在图像中，训练集的图像都是正常拍摄，但是测试集的图像都是昏暗的或遮挡的；在语音识别中，训练集可能都是清晰的音频，测试集却有很多背景杂音等。
2、学习率设定不合理 在自己训练新网络时，可以从0.1开始尝试，如果loss不下降的意思，那就降低，除以10，用0.01尝试，一般来说0.01会收敛，不行的话就用0.00 学习率设置过大，很容易震荡。
3、正确率下降的原因：池化层往往跟在卷积层后面。通过平均池化或者最大池化的方法将之前卷基层得到的特征图做一个聚合统计。假设L层的卷积层得到的某一特征图有100*100这么大的尺寸。
4、CNN预测准确率的计算步骤如下：首先，要有一份已知分类的测试集数据，这些数据必须经过标记和分类。将测试集的数据输入训练好的CNN模型，模型会输出每个样本属于各个分类的概率值。
5、以cnn为例，初始几层能够体现low level feature，这种特征通常就是类似sift， hog手工提取到的特征，而后几层可以提取到high level feature，这是手工提取特征所无法作到的，也是深度学习的优势所在。
6、R-CNN相比于之前的各种目标检测算法，不仅在准确率上有了很大的提升，在运行效率上同样提升很大。R-CNN的过程分为4个阶段： 在前面我们已经简单介绍了selective search方法，通过这个方法我们筛选出了2k左右的候选框。
目标检测系列(一):R-CNN
1、最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。
2、R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。
3、faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到88%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。
4、好消息是——我们有另一种目标检测技术，它修复了我们在 RCNN 中看到的大部分问题。我们还能做些什么来减少 RCNN 算法通常需要的计算时间？我们是否可以每张图像只运行一次并获取所有感兴趣的区域（包含某个目标的区域）。
关于cnn网络测试误差小于训练误差和神经网络 误差的介绍到此就结束了，感谢你花时间阅读本站内容，更多关于神经网络 误差、cnn网络测试误差小于训练误差的信息别忘了在本站搜索。
