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
) x7 {- R4 d/ v* i是什么1 L. i. [# d3 z' V
干嘛的
1 P3 y% [) E1 {) W( v! ^5 r卷积核
! c# e6 K8 r1 N7 z& h/ {! U, `+ I池化层
$ S+ z( ~2 Y% @! I; Z; U是什么
4 k2 K* s8 W& p# b" ]1 W6 x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。( x2 k) N/ X5 N' w2 _7 r
                     
9 R3 y) q, O) H2 `) P0 \; e: R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。- S5 V& H' E9 J5 @7 F, R* {
: N5 Z/ B' v0 C6 J: a' f& e
干嘛的1 u6 ?+ c# S; L9 o3 {
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）。
, r; w3 F2 P0 N  U
8 @) B5 `9 c' K  X: G  s  N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 ^, D9 ~: D- S) U1 o6 B* q# P" ^
% U$ j7 {" }5 L% Y$ c
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。
, Z, t5 k1 X) L* O9 i
$ v& t4 S+ }  Y& g, I) O2 K& a; C$ k0 L# V. J3 t
卷积核
  _/ ^" c' K" m' y& }% 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) Z9 w0 D2 U0 l
y=wx+b: s+ L" m5 S- d) |

. U5 l7 i' M) T3 K& S" i# P2 M( S/ i4 f8 j: [, 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。

7 a- |  P$ G7 F- s" o

3 F. K4 J* x2 w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
8 N/ u: C: l) \  p% ]' }9 e
: j' y3 M6 E' M' v& _1 b* m' k  D* G% C4 K

8 u) E0 k# o# a2 I



欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5