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& ]* w" U/ U: ~" |, W6 F' z
是什么6 z; d* E) I+ y2 e6 S
干嘛的0 g8 n" r A0 i
卷积核
' B/ y9 ^) M) A池化层9 o$ ], C, J7 A/ t
是什么
( }2 J( Z$ J7 q. ?9 {0 O- r; l2 n& Y7 ~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。
- q0 W3 a* {: u. b6 [/ ?; w 
* q1 [! D$ Y3 b( C# o2 A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。6 T) R0 C& s" ?+ @0 t7 {
1 ] m6 v V, U K8 @7 B干嘛的
- G4 J# w5 y# O0 v( P9 P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 `' @, ]+ m- {, G8 p
" h v& R/ n( v" L5 @8 P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。9 I: J; D% [" h8 p% t5 ?
) C+ c/ ] z: |9 w0 o9 u/ x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。# S* v: |0 T* s: _
3 T1 _5 H! t" _
) x6 B1 O: S* [. J; @- V+ A- Z. h卷积核# a. P5 l+ v# u' C
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
4 [+ @4 |% }3 m1 Xy=wx+b; |7 r+ a8 y1 k
2 U5 n" Z9 v J- g6 y& d7 e' ]
+ D) N) S R# Q! e' a3 z% r' P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。
N* g- L& t) W: ^- v3 V# W
* D4 R+ w! ?$ u" U' Y3 d+ u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
7 t* ] E4 W9 Z& ?
1 e* K+ `% q5 x7 ]' h$ w1 V0 K3 }% x4 Y
1 S, t% \8 h) P( {* S. y
| 欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) |
Powered by Discuz! X2.5 |