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
% ?: r1 \" x. i; i+ z- _( B干嘛的
1 i. N- X* G, V" z: C卷积核
6 Y& D9 z% @/ M, X: Q  R; A! T池化层
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。
5 s  b, \0 k6 ^- a8 u7 V9 M                     
7 ~2 l" N2 C5 A/ D% I9 q9 d; x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。
5 o" c2 i( o3 g
" y8 K# `* L9 [: O4 C: g5 G: }$ t3 B干嘛的
5 t- v) l( d0 O2 a0 H0 D3 j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）。
" P4 B+ C# c, @! F
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。
! w7 [; P/ }) o7 l
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。
: a6 e6 q8 F* O( B/ d5 M3 q! A3 a
, k  [, J4 A* {: I4 ^5 v* x
卷积核
: [3 P/ l* {: P& u. t7 w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
. T: x1 y2 \5 V: l% t* Uy=wx+b
3 \2 c2 x, x! q+ I1 q4 b7 n4 ]

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
6 y& W- q  s7 n8 l) K

. H! X5 N5 S& [% Z
) ~6 b  \5 v4 T1 g