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/ M" J+ m5 I8 k6 t# w% Y b
是什么
o3 Q( W% h9 ^9 I( \3 F5 s- h9 G/ g干嘛的
Z, R; J6 t+ |& H4 e卷积核
2 X2 g' `$ B1 p7 z池化层
_6 |' s3 Z! z4 x3 C* H. r是什么! C: t6 i1 ~6 F& o; D ^
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。) @3 J! [& k4 b2 x- j
# X, I# A; o$ `$ k" m* s
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。
0 S% q5 k* ?5 {1 w7 t
5 V. \% U! `) b) [# d' }$ m- [' F
干嘛的
6 k, R) w3 i# r# G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）。% k b. u% o9 Z2 y5 ^4 t9 F
1 I: z. _4 d: l3 W! s
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。
5 W& V8 d) d6 Y/ [/ Y% r) z0 D: F1 T$ D0 ?
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。+ o' ^# J) }% ~/ T# B' a! w
4 v* {/ E1 x6 n- K3 s6 a) ?
- j3 q9 v6 M! D2 `% B卷积核& ?5 x0 X6 G5 ]4 F
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6 t1 @2 F- `: {+ k
y=wx+b
$ c1 Q, ? E% |& Z
- e2 Z" _! O1 Z. h5 o/ M
1 |$ B1 b5 O9 @# e8 |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。
& y3 h; H$ k) k/ @4 Z" J" h
9 `3 f2 H' B5 L) R6 N9 O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32437105607 r- i+ i' Z9 ]5 p4 X# n
# v9 m. B- f: ~( k" K$ E! T, U8 G+ E+ G
, @6 V# R3 s: T% u
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |