请将uploads里面的所有文件和文件夹上传到你的网站根目录,商丘电子商务网站建设,wordpress4.7.4源码,四川高端网站建设CNN 卷积网络说明卷积 Convolution填充 Padding步长 StrideRGB图像卷积池化 Pooling完整CNN为什么人们喜欢用卷积神经网络#xff1f;实例分析说明
关于CNN的基础知识#xff1a;卷积、填充、步长、池化、完整的深度CNN网络可以参考 链接: AI学习笔记——卷积神经网络#…
CNN 卷积网络说明卷积 Convolution填充 Padding步长 StrideRGB图像卷积池化 Pooling完整CNN为什么人们喜欢用卷积神经网络实例分析说明
关于CNN的基础知识卷积、填充、步长、池化、完整的深度CNN网络可以参考 链接: AI学习笔记——卷积神经网络CNN. 本文主要侧重介绍这些操作背后的具体含义并且记录一下吴恩达老师课程的知识点。
卷积 Convolution
卷积层主要就是通过filter来过滤图片中的边缘线条如下图为“垂直边缘检测”的例子矩阵中数字1代表亮度0代表灰度-1代表黑度。第一个输入矩阵代表的图案如下面的小图片所示图片中间会产生一个由亮到暗的竖直线条使用从亮到暗的垂直边缘过滤器进行过滤后结果可以表示原图片中间有一个竖直线条且该线条是由亮处到暗处的线条第二个输入矩阵经相同过滤器过滤后结果可以表示原图片中间有一个竖直线条且该线条是由暗处到亮处的线条
当然会有不同类型的过滤器水平过滤器、垂直过滤器、sobel filter、schar filter ··· 使用不同的过滤器可以过滤图片中不同类型的边缘线条 同时由于过滤器本身是参数在反向传播过程中网络可以自己学习参数使过滤器更好的过滤图片。
填充 Padding
填充指在原图片矩阵的周围填充元素0 解决的问题1、卷积之后图片尺寸变小 2、原图片边缘信息的丢失
根据是否进行填充将卷积分为 Valid convolutions不进行填充卷积后图片尺寸变为n-f1*n-f1 Same convolution填充pf-1/2卷积后图片尺寸和原来一样
步长 Stride
当过滤器不能按照指定步长将图片完整过滤时最后一个步长变小以完成图片过滤。 所以最终图片的尺寸公式将如下所示 过滤器f一般等于奇数不用偶数原因 1、不对称填充左边填充两列右边填充一列 2、奇数过滤器会有一个中心点在计算机视觉里如果有一个中心像素会更方便便于指出过滤器的位置
RGB图像卷积
过滤器的通道channel要与其所过滤的图片通道在数量上保持一致每个通道的过滤器可以是不同类型的并且可以有多个过滤器进行过滤最后将结果整合到一起
池化 Pooling
功能缩减模型、提高计算速度、提高所提取特征的鲁棒性robust 有Max-Pooling和Average-Pooling两种池化方式一般常用的是最大池化。 第一个图片中紫色、蓝色、绿色和红色4*4的矩阵都可以看作是某些特征的集合大的数字意味着可能提取了某些特定特征。最大化操作的的功能就是只要在任何一个象限内提取到某个特征他都会保留在最大池化的输出里面如紫色象限的9如果没有提取到某个特征那么其中的最大值也还是很小如蓝色象限的2。
完整CNN
一般完整的CNN网络由 卷积-池化-全连接 组成
为什么人们喜欢用卷积神经网络
参数共享可以在输入图片的不同区域使用同样的参数同一个过滤器进行全图扫描 稀疏连接举例输出左上角的0是通过3 * 3的卷积计算得到的他只依赖于输入矩阵左上角3*3的单元格。即一个输出与9个输入连接对比FC一个输出与所有的输入连接
1、神经网络可以通过这两种机制减少参数以便我们用更小的训练集来训练它从而预防过拟合。 2、卷积神经网络善于捕捉平移不变通过观察可以发现像右移动两个像素图片中的猫依旧清晰可见因为神经网络的卷积结构即使移动几个像素这张图依然具有非常相似的特征应该属于同样的输出标记。
实例分析
为什么进行实例分析 因为在计算机视觉任务中表现良好的神经网络框架往往也适用于其他任务。
LeNet-5针对灰度图像训练的 AlexNet VGG-16: 16指这个网络包含了16个卷积层和全连接层参数挺多的但是网络结构比较规整。 文中揭示了随着网络的加深图像的高度和宽度都以一定的规律不断缩小每次池化后刚好缩小一半。信道的数量在不断增加而且刚好也是在每组卷积操作后增加一倍。也就是说图像缩小的比例和信道增加的比例是有规律的。
