1. 卷积神经网络介绍
卷积神经网络(CNN)是在语音和图像识别领域使用非常广泛的一类神经网络结构[1]。从图1中可以看到,它包括3类网络层,一类是卷积层,一类是下采样层,最后是全连接层。CNN的训练和DNN一样,也包括前向计算和反向传播。不过不同的是,DNN是全连接的网络结构,其前向计算和反向传播的过程相对都比较简单。但CNN采用的是局部连接的方式(Local Receptive Field)并且前向计算的过程包括了卷积(convolution)和下采样(sub-sampling),其反向传播的过程则更为复杂,对于卷积层和下采样层,delta的计算都不相同。
图1. 典型的CNN模型示意图
在全面了解CNN工作原理的基础上,我们设计了CNN前向计算阶段进行功能验证的策略,主要包括以下几块内容:对于卷积层的验证,对于下采样层的验证,对于全连接层的验证以及对于CNN整体功能的验证。
1.1 卷积层验证过程
矩阵卷积的验证是一个大矩阵(feature map)和