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
8 r$ f8 i+ l! H8 L) D干嘛的
卷积核
( }. ~. C4 k% j* n" C0 M池化层
7 r' b. d9 d1 w! i8 u0 r, P是什么
3 ?" B- ?/ q+ \# H' U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。
6 A8 P; L0 ~% e7 H3 o                     
, y4 k7 ~% O+ }' b) o+ O0 W! \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。
# z/ k! g  p  W3 Q* W* t3 |
: |$ c$ j6 E7 }( D干嘛的
9 l$ ]4 Q& H/ s( c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）。
; m. j1 r7 u4 e+ Z6 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。
+ [* a" L& {7 T' h2 J1 j
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 s/ }0 X( b4 n# `/ G' H- s/ E
1 U) H- R& _: Q' E% H  w/ x+ b卷积核
, ]0 w7 w/ w7 A. o0 n' 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
/ q' o1 A+ |' {& o; E( d/ Y. d
4 Q/ _! }9 d; a6 S
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。

/ U9 W$ R& v8 `% @/ r, W, b
$ n& y! Z2 r( X8 A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