目录(持续更新)
概述
卷积神经网络(CNN): 一种更适合图像、语音识别任务的神经网络结构
https://blog.csdn.net/songhao22/article/details/79349493
- 输入层:用于数据输入
- 卷积层:使用卷积核进行特征提取和特征映射
- 激励层:由于卷积是一种线性运算,因此需要增加一些非线性映射
- 池化层:进行下采样,对特征图稀疏处理,减少数据运算量
- 全连接层:在CNN尾部进行重新拟合,减少特征信息的损失
- 输出层:用于输出结果
- 归一化层(Batch Normalization):在CNN中对特征的归一化,这样可有效地防止“梯度弥散”,加速网络训练
- 切分层:对某些(图片)数据的进行分区域的单独学习
- 融合层:对独立进行特征学习的分支进行融合
用CNN解决的问题都存在局部与整体的关系。
由低层次的特征经过组合,组成高层次的特征,并且得到不同特征之间的空间相关性。
CNN特点:局部连接/权值共享/池化操作/多层次结构
局部连接:使网络可以提取数据的局部特征
权值共享:大大降低网络的训练难度,一个filter值提取一个特征
池化操作与多层次结构一起,实现了数据的降维,并将低层次的局部特征组合为较高层次的特征。
卷积神经网络中激活函数Relu
Relu函数的定义: