数学建模社区-数学中国
标题: 深度学习之感性理解-卷积神经网络 [打印本页]
作者: 1047521767 时间: 2021-11-25 21:46
标题: 深度学习之感性理解-卷积神经网络
深度学习之感性理解-卷积神经网络9 h# v5 V3 K6 @+ `, ~
是什么" i) n2 w- M( z4 h, @
干嘛的
5 q8 @, ?. y# u' c卷积核
( e& i+ G9 |: z池化层
- O6 Z3 i2 P$ ~; R1 o2 n是什么/ y& H5 D! `5 c" ^
前面我们介绍的神经网络称为全连接神经网络，因为前一层每个神经元的输出都作为下一层每个神经元的输入。卷积神经网络恰恰相反，不需要全连接，只有部分前一层输出做为后一层的输入。可以简单理解为有一张6X6像素的图片，还有一个3X3的窗口，然后进行从左到右，从上到下一格一格的移动，每次计算窗口里的值和对应图片值的乘积和作为新的像素点，放在一个新的图片里。' o* i( M6 t; }& n) g8 j
4 y1 m! M* O% r, J# k
如果将图片作为输入，窗口作为参数，对应的就是这种稀疏连接，共享参数的结构。& f3 y- u, S4 N: |
5 G! Z2 g" U/ @2 x, _干嘛的1 d$ _$ M7 t: v) _1 j1 w% @* @6 l. H
这样的连接方式虽然非常全面，不会漏掉任何一个神经元的作用，但是缺点也明显，这种连接使得参数过多，训练时间就会变长，比如处理大图片，像素个数可能有几百万维，参数数量太过庞大，导致训练时间过长，于是有大神提出了卷积神经网络（CNN）。
* f% V. b. |% w. E- F
G* P. C0 M) L( _卷积神经网络至少有一个卷积层，可以用来提取特征，也就是把图片抽象化，这样就可以减少一定的信息量，参数自然就少了，同时卷积层通过共享参数的方式工作，也可以减少参数。举个例子，如果我们要识别一只猫，如果用全连接的方式可能就会描述成，一只有黄色的大耳朵蓝眼睛身体肥大的波斯猫。但是通过卷积神经网络的卷积层后，会描述成一只猫，这样就提高了通用性，只描述了抽象的特征。4 }- w$ @/ S9 k# F, A
& J, ?( W7 O2 c: c3 C! w
比如如果我要想学习交通灯的特征，交通灯只在图片里的某一部分，并非全部，如果我把像素点一个个的观察过去，是不是有点浪费，能不能用个大的窗口，直接把交通灯给捕捉出来呢，这也是用CNN的一个特点。$ [9 y3 ]8 d: r, r ^
. \9 D- ~' B2 ?; t) s& {6 R/ `
% o; `, N! M4 E
卷积核
: W3 n# V" K/ P( C2 @就是上面所说的窗口，可以简单的理解为提取相应特征的参数，把高纬度的映射到低纬度，是一种有损压缩，他的表达式也可以看成
7 h. i/ F: S2 S4 ~2 E4 E# hy=wx+b
, X4 b2 O+ l. |, p: n, C r8 J7 `- M# v. Z" P8 G/ o
! O' F8 [5 v+ @+ y7 K6 ]
池化层一种处理层，类似卷积层，又进行了一次特征提取，减少下一层数据的处理量，进一步获取更为抽象的信息。主要分为最大池化和平均池化，即取窗口中最大的或者取平均数放入新图片里。
: F, K3 X8 g9 j5 M
+ f, Z. ^6 j/ w# ]& m0 \0 a
好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片均来自网络，侵删。有问题加我QQ数学中国浅夏3243710560: O4 n, p/ g2 h
# d9 L# T# R4 r+ `8 q$ z1 _" H
0 {+ ?: y2 _$ }8 K
5 @8 \0 w. }9 @% w
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |