深度学习之感性理解-卷积神经网络

1047521767

                                                深度学习之感性理解-卷积神经网络
是什么
! G* g1 P5 [: i3 |/ O干嘛的
) Y1 n( P- t/ t0 a5 Y: a9 S卷积核
1 A( q2 C1 Q1 A1 @- V+ r池化层
# `5 ]. U+ s3 S! ~* I* z, T是什么
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。
# D  ]) I. |7 _3 N; `' _: Z* |; v                     
$ C( b- e6 h/ C8 h' K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。
; V) H5 y/ u+ }
9 _8 [6 {0 V8 p. A0 z  [干嘛的
& I! b( }6 F' L7 r( R* [/ s2 W/ z/ Z0 n  H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）。

, ]; g- \* E0 L' L4 W7 A. F/ d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。

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。


卷积核
- s" J7 R8 u. E- g2 X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
y=wx+b
& I& n% k% ?- |* N' z- `/ L/ ?7 f9 l' B
% X% S' _/ w: l8 P
5 P$ W( ?& ~2 w; a- c$ 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。

" ?) j6 j! j' y* z0 Y4 B. y
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


" x# |0 S# z8 q. D; F