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&#