卷积神经网络在图像处理领域有较大的应用,其思想在于不断地在输入的各个部分进行信息提炼,从而产生最终的输出。
预测模型
卷积神经网路具有两种特别的结构,第一种是卷积层,第二种是池化层。前者是卷积神经网络区别于普通神经网络的组要特征,后者是简化计算的主要工具。
卷积层
卷积神经网络的作用在于从上层的局部提取信息,然后放入下一层,可见随着层数的提高,网络的长宽越来越小。实现这个功能的我们叫做卷积核,卷积核的长*宽意味着上层长*宽大小的区域会被映射到下一层中的一个神经元,同时一个卷积核只能产生一个输出,因此,为了能够得到更多的信息,我们可能在同一层具有多个卷积核,卷积核的个数等于下一层的深度。一下是卷积神经网络的逐层计算方式。
池化层
池化层也使用卷积核缩小层的长宽,但是汇集的神经元没有权重,而使用例如最大值、最小值之类的聚合函数。