这只是一个展示项目，但是能够帮助直观地看到一些东西
地址： https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html
layer_defs = [];layer_defs.push({ type:'input', out_sx:32, out_sy:32, out_depth:3});layer_defs.push({ type:'conv', sx:5, filters:16, stride:1, pad:2, activation:'relu'});layer_defs.push({ type:'pool', sx:2, stride:2});layer_defs.push({ type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});layer_defs.push({ type:'pool', sx:2, stride:2});layer_defs.push({ type:'conv', sx:5, filters:20, stride:1, pad:2, activation:'relu'});layer_defs.push({ type:'pool', sx:2, stride:2});layer_defs.push({ type:'softmax', num_classes:10});net = new convnetjs.Net();net.makeLayers(layer_defs); 网络的构造就是conv-pool-conv-pool这样的过程。
原始图片输入
第一层卷积
和relu
第一层pool
可以返现，图片的大小降低明显
第二次
第三次
最后，全连接并softmax
结束了。基本能够理解。
可以预见的一点是，在这样一个发展迅速的时代，拥有数据分析背景、能力，特别是深度学习技术，将使工程师具备价值。要想办法克服显示的瓶颈，成为这样的人。毕竟，真正的牛人是创造规则的。