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
/ V5 E( @% W6 F( v" K" g是什么8 j! L" _' v& Z7 Z, S
干嘛的% S. y& _* L$ n! Q5 w5 ^) O
卷积核7 V9 L. c) @9 w, J- E8 n$ M
池化层
! s" a3 }' e3 W. Y- A7 b是什么
' f" @ O# u; c! q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。- P) n4 c9 f& Q
( z6 F& h) P4 J( `0 q
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。& o: | P! k$ t8 a/ G1 D( [8 a" w
7 r2 X" Z4 R9 V
干嘛的
' u1 l* Q( B; O0 @, v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）。; ]" U$ Z3 N( S9 C
6 t% _# ?7 @+ Y8 x6 `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。
W, m- j$ H0 i: K( i7 a; h. m1 Q S' D& ]2 t; Q
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。% d2 o6 D& C4 X: \" f* P# }6 q
3 a! D, S2 f& |- U' x( i+ t
3 g/ _; L& h1 `4 |2 u卷积核
- N; r( S! F7 P8 G$ r4 P( Q+ {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; s1 g3 S( z# u% u5 @7 B
y=wx+b0 l1 d: _, l5 t" c1 e
" b5 Z/ o; P# W9 r2 y& m+ P
$ O- L3 H; b# T
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。
( }; R7 O* ]6 h* N# @; \
' w+ Z8 n5 ?. J+ V& K& C& y9 J. ^/ Z
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. [! b- P _- ]' _* B
3 M, `6 }, T. C% X3 {% `0 p- [9 L& K0 r
2 ]# B$ H! k: p, o. g( `+ Z( j
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |