一文掌握CNN卷积神经网络

最新推荐文章于 2024-07-22 13:42:36 发布

「已注销」

最新推荐文章于 2024-07-22 13:42:36 发布

阅读量1k

点赞数

本文链接：https://blog.csdn.net/Chile_Wang/article/details/104151547

版权

本文深入探讨了全连接神经网络的局限性，并引出了CNN卷积神经网络，阐述了CNN如何通过局部连接、权值共享、卷积层、池化层来解决计算效率和特征提取的问题，旨在揭示CNN在网络结构、训练过程和超参数设置方面的特点。

摘要由CSDN通过智能技术生成

戳上方蓝字【阿力阿哩哩的炼丹日常】关注我~

4.3

CNN卷积神经网络

我们在4.2节讲到了神经网络已经逐步成为人类智能生活的璀璨明珠，并介绍了全连接神经网络的整个训练过程（深度学习开端-全连接神经网络），整个流程紧凑而又科学，似乎全连接神经网络已经能解决很多问题了，但细心的读者会发现笔者并没有提及全连接神经网络的缺点。因此，这一节笔者正好通过全连接神经网络的缺点来开展CNN卷积神经网络（Convolutional Neural Network）的教学。

4.3.1 全连接神经网络的缺点

为了讲清全连接神经网络的局限性，笔者还是拿出上一节最简单的全连接网络结构图来讲解，如图4.3所示，相信大家对这个图也不陌生了。设想一下，我们为了求解损失Loss 列出了关于w，b 的方程，并通过梯度下降的方法去求解最佳的（w , b），从而得到最小的损失Loss。换言之，4.2节的内容简单来讲就是站在山上找最陡峭的地方（梯度），不断地往下走，一直走到山谷，这时候我们所在坐标（w , b）就是Loss方程的最优解。

为此，针对图 4.3的这个网络结构，我们要对隐藏层和输出层求4个偏导，又因为隐藏层的输出作为输出层的输入，这时我们就要用到求偏导的链式法则，公式如下：

由公式（4.14）~（4.19），我们可以看出，两个神经元，为了求出隐藏层和输出层最佳的（w , b），我们就要求四个偏导，期间还得为链式求导付出3次连乘的代价。

现在，重点来了，如图 4.8所示，倘若我们的网络层次越深，偏导连乘也就越多，付出的计算代价也就越大。

紧接着，一个网络层不单止一个神经元，它可能会有多个神经元，那么多个神经元的输出作为下一级神经元的输入时，就会形成多个复杂的嵌套关系。

我们知道全连接神经网络层级之间都是全连接的，所以网络结构越复杂，那要求的（w , b）就会非常多，整个网络就会收敛得非常慢，这是我们所不希望看到的。这就是全连接神经网络的局限性，特别是针对图像这些冗余信息特别多的输入，如果用全连接神经网络去训练，简直就是一场计算灾难。那么既然问题出现了，就会有人提出解决方法。这时候CNN卷积神经网络便应运而生了。