郏县网站制作公司,手机网站怎么建,建筑公司企业愿景模板平台,海外cdn卷积神经网络#xff08;Convolutional Neural Network#xff1a;CNN#xff09;
卷积神经网络是人工神经网络的一种#xff0c;是一种前馈神经网络。最早提出时的灵感来源于人类的神经元。
通俗来讲#xff0c;其主要的操作就是#xff1a;接受输入层的输入信息…卷积神经网络Convolutional Neural NetworkCNN
卷积神经网络是人工神经网络的一种是一种前馈神经网络。最早提出时的灵感来源于人类的神经元。
通俗来讲其主要的操作就是接受输入层的输入信息通过卷积层激活层池化层进行特征的提取与学习然后通过全连接层完成对比将分类结果通过输出层输出。
那么卷积神经网络最重要的任务我认为只有两个 1.如何从原始数据中更好的学到特征信息。 2.如何将学到的特征更好的映射到标记样本。 这两个任务应该是CNN分类的关键
卷积层
对于输入层和输出层我们没什么好讲的我们将从卷积层开始详细了解卷积层激活层池化层和全连接层的详细工作原理。
CNN怎么识别
对于这个问题我们需要引入CNN的识别原理CNN的识别本质上是一种“局部特征”的对比也就是说我们将输入数据的局部与标注的样本数据的局部对比如果某个或多个局部对比被判定为“匹配”则认定其输入数据和样本数据属于同一类别。 朴素来讲我们可以通过直接对图像中的像素和样本数据对比。但是这样通常过于“武断”比如下面这种情况。 当我们选取了x图形对角线的像素对比我们会发现并不相等所以认定右边的图片不是x图形类别。这显然是不合适我们需要换一种对比方法。
所以我们会选取一个“像素窗口”截取一小块像素把这个小块的区域成为“特征”对比特征无误则可认定为统一类别。
卷积层有怎么帮助CNN识别 这里我们需要明确一下这样的几个概念之间的关系 filter滤波器这个东西实际上是卷积核的集合而卷积核就是个权重矩阵二维矩阵的集合 对于一张RBG图他的特征层分RBG三层他通道数就是三个通道。 而且对于滤波器里的一个卷积核来说他的二维矩阵的数量和通道数是相同的。 如下图所示蓝色的是图片黄色的卷积核绿色的输出的结果绿色的层数和卷积核的数量相同
我们可以看到上面的CNN对比一个重要的点就是“特征”卷积层可以通过算法操作学习特征。
我们将图像视为一个三维数组他的厚度我们称为通道数特征层数每一层长宽视为矩阵的大小。在这样的一层上我们对其添加“滑动窗口”和滤波器。
然后我们通过滤波器中的各个卷积核对图像卷积对应元素相乘后求和得到输出矩阵如下图。 显然两个卷积核得到两个输出矩阵三个特征层对应每个卷积核三个权重矩阵。 至此一个卷积层的任务结束。
建议再去了解卷积核、滑动窗口这些东西具体代码的关键参数比如卷积核的一个关键参数就是核尺寸步幅和步数。
激活层
激活激活什么为什么要激活。 我理解为激活就是激活整个神经网络的表达空间。 为什么要激活主要还是因为仅仅靠卷积我们没法有较好的“表达空间”所以我们需要一个函数来帮我们把卷积层的结果做非线性映射提升整个神经网络的表达能力。
这种函数包括ReLUsoftmaxsigmoid等。每个函数都有自身的优点可以适用于不同场景当然我们对一个网络可以添加多个激活层。
但是每个网络也会有自身的缺点这些缺点无非都是偏离了激活层的初衷让卷积层的结果没法逼近一个非线性函数来提高网络的表达能力。
PS表达能力就可以看做学习分类能力
池化层
池化简言之即取区域平均或最大。
还是给定滑动窗口但是这次只需要直接输出滑动窗口内的最大值或平均值即可对应池化成为“最大池化”和“平均池化”。 目的是为了压缩特征提高效率。
全连接层
建议去看这个博主的博客对全连接层fully connected layer的通俗理解
本质就是由一个特征空间线性变换到另一个特征空间。目标空间的任一维——也就是隐层的一个 神经元——都认为会受到源空间的每一维的影响。不考虑严谨可以说目标向量是源向量的加权和。
全连接层fully connected layersFC在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话全连接层则起到将学到的“分布式特征表示”下面会讲到这个分布式特征映射到样本标记空间的作用。在实际使用中全连接层可由卷积操作实现
对前层是全连接的全连接层可以转化为卷积核为1x1的卷积而前层是卷积层的全连接层可以转化为卷积核为hw的全局卷积hw分别为前层卷积结果的高和宽。
全连接的核心操作就是矩阵向量乘积 y Wx
一个简单的CNN网络的层次结构
