全连接NN的特点:每个神经元与前后相邻层的每一个神经元都有连接关系。
全连接网络的参数个数为:
全连接网络一般被认为是分类预测的最佳网络,但待优化的参数过多,容易导致模型过拟合。
为解决参数量过大而导致模型过拟合的问题,一般不会将原始图像直接输入,而是先对图像进行特征提取,再将提取的特征输入全连接网络。
- 卷积神经网络
卷积概念:卷积计算可认为是一种有效提取图像特征的方法。
一般会用一个正方形的卷积核,按指定步长,在输入特征图上滑动,遍历输入特征图中的每个像素点。每一个步长,卷积核会与输入特征图出现重合区域,重合区域对应元素相乘、求和再加上偏置项得到输出特征的一个像素点。如图5-4,利用3x3x1的卷积核对5x5x1的单通道图像做卷积计算得到的结果。
- 对于彩色图像(多通道)来说,卷积核通道数与输入特征一致,套接后在对应位置上进行乘加和操作,如图5-5,利用三通道卷积核对三通道的彩色特征图做卷积计算。
- 用多个卷积核可实现对同一层输入特征的多次特征提取,卷积核的个数决定输出层的通道(channels)数,即输出特征图的深度。
- 输入特征图的深度(channel数)决定了当前层卷积核的深度
- 当前层卷积核的个数,决定了当前层输出特征的深度
1.1 感受野(Receptive Field): 卷积神经网络各输出特征图中的每个像素点,在原始输入图片上映射区域的大小。