本文将大致介绍经典的卷积神经网络。包含LeNet5、AlexNet、VGG、GoogLeNet、
卷积神经网络概述:
相比于传统特征提取方法,卷积不需要人工进行特征提取。受启发于生物神经元,激活函数用于仿真,当生物电信号超过了某一阈值,就被传递给下一个神经元;损失函数用于指导网络学习到被期望学习的东西。
CNN的优点:(1)局部连接。每个神经元只和前一层部分神经元连接,这可以加快网络收敛和减少参数。这个优点是和全连接网络比较的,全连接层一般会拥有大量的参数,这会使模型过于庞大、优化速度慢、计算量大、过拟合等。(2)权重共享。一组连接可以共享相同的权重。实际上卷积也存在着权重共享,比如使用一个卷积核对前一层的n个通道进行卷积计算,这相当于是通道共享和图共享了卷积。(3)下采样减少维度。池化层通过提取某个区域内最重要的信息(最大值或平均值)来减少数据量。
CNN的主要结构:
(1)输入层。CNN的输入一般是二维向量,可以有高度,比如,RGB图像。
(2)卷积层。卷积层是CNN的核心,层的参数由一组可学习的滤波器(filter)或内核(kernels)组成,它们具有小的感受野,延伸到输入容积的整个深度。卷积层的作用是对输入层进行卷积,提取更高层次的特征。
(3)池化层。池化层(又称为下采样),它的作用是减小数据处理量同时保留有用信息,池化层的作用可以