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
$ Q& D; e* R. c+ i7 W, l5 a/ p6 k是什么
! k9 e$ d$ |( X4 \3 Y1 e干嘛的
! e; G' Y+ f9 d' }$ f8 g# z0 a卷积核
# N# g" l) a1 P; L池化层6 z6 A( [; S$ \5 P0 L& j
是什么
7 _( @1 \1 b1 O- O$ p3 l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。
& i$ o% T5 ^5 ^. I6 V 
! @" O' _, e: q3 n) n- W
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。7 h) v! Z S [+ `. n; W
* n0 C' B, v. a5 Z/ j干嘛的
9 r, }. y9 u+ m1 `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）。
( P- x9 z& u9 e/ t$ S+ R+ T& E) _' L, }7 W
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。
* T# m6 L( F& {6 M1 q; o
/ E7 W6 x t& e% I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。) X6 `) l0 R" _# M' x
4 T; l( v1 |) Q r J
2 J) b1 w% ]! l3 C) K
卷积核0 D2 x0 [# ~$ |* u
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9 Y( F0 p( }$ C' }: \1 s* n
y=wx+b
: Q0 s/ {' T: M1 {/ r3 C' C8 i' I# x9 E$ R; i
8 |, i) a5 a2 s& \ Y$ Y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。
+ M- C1 A/ u% P9 _3 e$ p
* _' h( L1 W& h9 O2 k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
5 a0 c7 B, H3 Z9 S6 T
$ g. w, y* ~+ D- Z' n3 D$ l4 _0 |4 ?- m9 P0 ^' |
6 O2 e$ M m+ C
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |