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
( X% N4 W. C2 r, z. x+ _是什么 c5 X3 D) K/ V% y
干嘛的
3 K# w+ Y+ k5 N8 s: o卷积核
" F5 u/ i. j' i7 K; N+ N8 v5 b池化层$ P" C) C8 ^, B3 c2 q
是什么$ e% O T7 D( k4 ]( w6 ~
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。& X- O1 [3 p- t& R) v
' x+ q" [5 T2 t7 l
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。
1 j* P" [# E5 r& n. E
* `: T0 [) g" Z: {* A1 }
干嘛的) S) ]3 |4 A: X# t+ k! ]
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）。5 [5 e! P4 a+ W. h2 d
1 K' R- X/ h/ T
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( J# ^6 D6 h. |
* x3 g. ~. f' ]( [1 X9 y6 A+ f. B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。
- \4 h+ G# m) {$ S' ]
8 e* ]9 {4 G( _) F3 f
5 q' F2 w' ~ S# J& ~* K1 X卷积核$ S7 |+ j) x1 f; m7 j- F8 a0 a
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 f" W. h% ?/ _
y=wx+b
( d m. w7 L% Q7 ^! q4 l' }/ y! z& P
4 ? j0 ]8 m c' e! a
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。
. I( a+ t- q8 l3 R! W" ^( a4 H
# Q" o+ |- s- C
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 U# o% o: L- ?- S5 U @* P# K# M9 t a+ E1 s" P
" I, b, U3 g+ _# A q
4 e2 B; J* c, W$ V8 O5 ?3 U
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |