CNN概述
计算机可以通过寻找诸如边缘和曲线之类的低级特点来分类图片,继而通过一系列卷积层级构建出更为抽象的概念。
CNN是从视觉皮层的生物学获得启发的,视觉皮层有小部分细胞对特定部分的视觉区域敏感。
原因:现实中的图像是图片,是很大的不只是28*28,但是使用Dense层的话,太大了(参数爆炸)
特点:可以实现对图像的高准确率识别,主要应用与计算机视觉中。
CNN架构
- 卷积层
- 非线性层
- 池化层(下采样)
- 全连接层(Dense)
- 输出
层的作用就是突出重要信息,降低噪声。
卷积
卷积是指将卷积核应用到某个张量的所有点上,通过将卷积核在输入的张量上滑动而生成经过滤波处理的张量。
卷积完成的是对图像特征的提取或是信息匹配,训练的目的就是训练卷积核。
例如:训练区分A,B两种实物时,卷积核会对A,B不同特征敏感,输出不同结果,从而达到图像识别的目的。
可以极大减少可训练参数.
卷积层
- 三个参数
ksize:卷积核的大小
strides:卷积核移动的跨度(两个方向上)(引起生成图像的直接减小)
padding:边缘填充(默认是不填充的'valid';'same'生成等大小图像)
池化层
对图像进行下采样(MaxPooling 最大池化,AveragePooling 平均池化)
psize:池化核大小
strides:类似跨度,基本不用改变
padding:和卷积参数类似