机器学习：【11】卷积神经网络CNN原理

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