深度学习-卷积神经网络

最新推荐文章于 2024-09-10 16:00:52 发布

CurtisXi

最新推荐文章于 2024-09-10 16:00:52 发布

阅读量770

点赞数

文章标签：深度学习神经网络 cnn

本文链接：https://blog.csdn.net/CurtisXi/article/details/70849064

版权

卷积神经网络介绍

之前介绍了神经网络理论，这个理论在上个世纪50年代就提出来了，在上世纪80年代提出了BP神经网络，但是近期神经网络才得以很大程度发展，其得益于硬件水平的提升，以及数据量的增大。通过大量的训练数据逐渐使网络更加完善，可以为我们处理更多问题。（如果想对神经网络的功能进行更深的理解可以进入google 的tensorflow游乐场训练自己的网络将红蓝点分类 http://playground.tensorflow.org）

深度学习跟之前的神经网络学习有什么区别呢？神经网络基本结构不变，以BP神经网络为基础（误差反向传递），其“深”就“深”在分层提取数据特征。这样能增大训练准确度，并且减少未知参数矩阵维度。拿卷积神经网络图像识别来说。

这是一个分层提取面部特征的示意图，每一次提取一个特征，一次次逐渐递进，逐渐细化。

1.为什么要提出这个理论？

拿一张640*320像素的图片来说，用BP神经网络做训练根据上一节的理论介绍可以计算出每个神经元需要640*320个权重w+1个偏置b，如果有100万个神经元就需要 100万*（640*320+1），100张图片就是 100*100万*（640*320+1）计算量巨大。想要提高模型准确精度，又想减小计算量怎么办？这里就采用了权值共享，分层提取的思想。

2.卷积操作

概率论，信号与系统里面有学过卷积。看文献中卷积神经网络也用到了卷积核，具体这里的“卷积指的是什么呢？”在这里卷积核可以当成一种滤波器。下图绿色的为一个特殊的灰度像素图像，右边为一个3*3的卷积核，分别移动对所有的像素点进行矩阵乘积。最终生成取得特征图片。接下来有一个加入非线性因素（ReLU）的过程。

3.池化操作（下采样操作）

经过卷积操作会生成数个特征图片（每个卷积核对应一个特征图片），这部操作对每个生成的特征图片，取一个2*2的窗，对窗中选取的像素点取最大值或者平均值（本文示例为最大值）通过移动这个2*2的窗，直到所有的像素点都被过滤。这一步使得一个4*4的矩阵降为一个2*2的矩阵，使得维度大大减小，同时减少过拟合的情况。但是同样滤除的特征会影响结果，通过调整参数使得结果达到一个计算量适中，并且误差满意的结果。这一步过滤不会增加特征图片的数量。