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
1 \7 i, d7 u' E% i4 r是什么
; W5 r0 _2 P& y( c干嘛的
卷积核
1 q2 M1 C& X2 ]池化层
4 \9 _3 A$ A/ E6 j1 b: d4 {, {是什么
7 Y' E/ H- H/ z; b6 f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。
  c1 e) `/ @8 b" n: i2 r: c                     
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。

& x; M/ x+ c- _3 B6 b& g2 ~. b7 X干嘛的
, e7 l8 o& t5 l- I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）。

, V- Q. I2 t$ B: z( z- G& g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。
& p% h3 ~/ W0 Q
- z1 ^1 L2 \7 U9 H+ v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。
7 a6 X* x+ x% L. {9 i" @
( a$ }7 L  S$ g. h
卷积核
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
# m' p3 h" I+ T7 m$ Y4 y* ty=wx+b
. Q/ _- i- z  |. Y& F3 |

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。

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
* ?$ O; i0 V, K8 E8 y4 X6 I

, t. K+ F# h. d6 Y
0 E1 a; a  U: g2 M4 T; u9 H