深度学习之感性理解-卷积神经网络" @- A8 g* }) f
是什么0 n# y6 n3 s i1 f/ q! O) o
干嘛的; K, x4 n7 g1 G- U7 q& B; J6 g4 J
卷积核, ?" l; Q1 H9 D l) C6 `' D
池化层
2 j& F8 V! }0 l0 l8 q是什么
1 J- {) N( ^9 j& f1 ?& `9 X3 j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。
/ b% y3 h+ o3 ^8 N" k) n* N! M & a4 j* m9 D; F/ 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。. W2 o$ j9 u$ V: u
* M$ ]) f( k9 u- q$ e; ?. t8 y干嘛的
! n6 I) V$ l0 s* Q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)。
( j3 D& Y4 O4 K6 M& p9 F2 `7 I# X4 H5 `4 @! q9 n3 z
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。, ?$ }* Q2 Q3 L
% S* t* E4 v" t' `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。# v" r8 g+ Q. z1 _* Q
" ~& e2 B- I( f- t7 J
5 y! ?3 ?8 s& s( K卷积核# k/ b1 L e. ^
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
, c M3 g/ V& ~- Yy=wx+b( P2 s9 ^* A- ^3 ^
; \' B. y+ l" I( v" o3 n
+ e' D6 s/ G2 I( i: [, p' c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。 + P0 R3 R N, g
$ _8 O0 W9 @( y7 f8 [: s# d* }' c$ p) J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32437105602 ~/ y* O; |' B7 v
9 q# K& c2 x1 s% G: T3 S' ~5 D- j" R# d9 ]) j9 o3 u
# Q2 U- _6 R& ^( |) } |