开·云体育app下载安装 卷积神经网络概述

简单来讲，CNN的目标是，按照一定的模型，去对事物开展特征提取，随后，凭借特征，针对该事物做分类、做识别、做预测或者做决策等。在这个进程当中，最为关键的步骤是特征提取，也就是怎样提取到能够最大程度区分事物的特征。要是提取的特征没办法将不同的事物予以划分，那么该特征提取步骤就会毫无意义。而达成这个了不起的模型的，是对CNN进行迭代训练。

卷积神经网络存在着诸多不同的结构，然而其基本的架构却是彼此相似的，选取LeNet -5作为示例来予以介绍，如下方图示，它涵盖有三个主要的层次，分别是卷积层，也就是convolutional layer，还有池化层，即pooling layer以及全连接层，也就是fully - connected layer。其中，卷积层有着用来对于输入数据的特征表征进行学习的作用。构成卷积层的是诸多的卷积核，即convolutional kernel，这些卷积核被用于对各异的feature map进行计算 。

激活函数，也就是activation functionkiayun手机版登录，它为CNN卷积神经网络带入了非线性，平常所使用的有sigmoid函数，还有tanh函数，另外还有ReLU函数，。

降低卷积层给出的特征向量之举归属为池化层，与此同时，带来结果改善（致使相应结构不容易碰到过拟合的状况），其中存在的典型应用含有average pooling以及max pooling ，。

卷积层与 Pooling 层堆叠起来后，全连接层会形成一层或者多层全连接层，如此就能达成高阶的推力能力，使之得以实现 。

全连接神经网络

举个小例子：

卷积神经网络各层关系图

如下是图中的卷积网络工作流程，输入层由感知节点组成，其数量为32×32个，负责接收原始图像，之后，计算流程在卷积与子抽样之间交替开展，具体情况如下所述：

第一隐藏层开展卷积操作，其是由6个特征映射构成的，每个特征映射是由28×28个神经元构成的，并且每个神经元都指定了一个5×5的接受域，。

第二隐藏层会去实现子抽样以及局部平均，它是由 6 个特征映射所组成的，然而它的每个特征映射是由 14×14 个神经元构成的。每个神经元都有着一个 2×2 的接受域，还有一个可训练系数，一个可训练偏置以及一个 sigmoid 激活函数。可训练系数还有偏置对神经元的操作点起到控制作用。

第三次隐藏卷积操作在第二隐藏层进行，此隐藏层由十六个特征映射构成，每个特征映射由十个乘十个神经元形成并组成。该隐藏层里的每个神经元或许存在和下一个隐藏层若干特征映射相连接的突触连接，其经由与首个卷积层相类似的操作方式进行活动。

在第四个隐藏层那里，要开展第二次子抽样以及局部平均计算，它是通过16个特征映射构成的，然而每个特征映射却是由5×5个神经元组成的，并且它是以和第一次抽样相类似的方式来进行操作的。

最后阶段的卷积是由第五个隐藏层来实现的，该隐藏层由120个神经元构成，其中每个神经元都指定了一个5乘5的接受域 。

最后是个全连接层，得到输出向量。

计算层相继，在卷积以及抽样之间连续交替，如此我们便得到一种“双尖塔”的效果kia云手机版登录，这一效果是指，于每个卷积或者抽样层开·云体育app下载安装，伴随空间分辨率降低，和相应的前一层相较，特征映射的数量增多。卷积后实行子抽样，此思想是受动物视觉系统里“简单的”细胞后跟着“复杂的”细胞这一想法启发而产生的。

卷积的特点

局部感知

卷积核大小通常小于输入图像大小（若相等便是全连接），所以卷积所提取出的特征会更倾向于关注局部，这与日常我们所接触到的图像处理极为相符。且每个神经元实际上并没有非得对全局图像进行感知的必要，只需针对局部进行感知就行，而后在更高层级把局部的信息综合到一起便获取到了全局的信息。

参数共享

参数共享最大的作用莫过于很大限度地减少运算量了。

多核

一般而言，我们通常不会仅仅运用一个卷积核去对输入图像实施过滤操作，原因在于，一个核的参数是固定不变的，进而其提取出来的特征也就会趋向单一化。这情形就仿佛是我们平常在看待事物时，务必要经由多个角度去剖析事物，如此这般才能够尽可能地防止对该事物产生偏见。同样，我们也是需要多个卷积核来对输入图像开展卷积工作的。

Down-Pooling

卷积之后，再去连接上一个池化层，也就是Pooling，仿佛简直堪称是绝配，竟然能够十分良好地去聚合特征、实现降维，进而以此来减少运算量。

多层卷积

层数越高，提取到的特征就越全局化。