深度学习:Keras入门(二)之卷积神经网络(CNN)

 说明:这篇文章需要有一些相关的基础知识,否则看起来可能比较吃力。

1.卷积与神经元

         1.1 什么是卷积?

         简单来说,卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)

         如下图就表示卷积的运算过程:

 

                                             (图1)

        卷积运算一个重要的特点就是,通过卷积运算,可以使原信号特征增强,并且降低噪音.

       1.2 激活函数

             这里以常用的激活函数sigmoid为例:

         

             把上述的计算结果269带入此公式,得出f(x)=1

      1.3 神经元

            如图是一个人工神经元的模型:

         

                                       (图2)

          对于每一个神经元,都包含以下几部分:

           x:表示输入

          w:表示权重

          θ:表示偏置

          ∑wx:表示卷积(内积)

           f :表示激活函数

           o:表示输出

      1.4 图像的滤波操作

            对于一个灰度图片(图3) 用sobel算子(图4)进行过滤,将得到如图5所示的图片。

 

      1.5小结

       上面的内容主要是为了统一一下概念上的认识:

       图1的蓝色部分、图2中的xn、图3的图像都是神经元的输入部分;图1的红色部分数值值、图2的wn值、图4的矩阵值都可以叫做权重(或者滤波器或者卷积核,下文统称权重)。而权重(或卷积核)的大小(如图4的3×3)叫做接受域(也叫感知野或者数据窗口,下文统称接受域)

2.卷积神经网络

    在介绍卷积神经网络定义之前,先说几种比较流行的卷积神经网络的结构图。

    2.1 常见的几种卷积神经网络结构图  

           

                                                                 (图6)     

        

                                                                (图7)

         

                                                              (图8)

          

                                                                 (图9)

        图8中的C-层、S-层是6中的Convolutions层和subsampling层的简写,C-层是卷积层,S-层是子抽样和局部平均层。在图6和图7中C-层、S-层不是指具体的某 一个层,而是指输入层和特征映射层、特征映射层和特征映射层之间的计算过程,而特征映射层则保持的是卷积、子抽样(或下采样)和局部平均的输出结果。而图 6和图7的区别在于最终结果输出之前是否有全连接层&#

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值