卷积神经网络难点梳理

最新推荐文章于 2022-12-18 12:33:52 发布

千想

最新推荐文章于 2022-12-18 12:33:52 发布

阅读量1.5k

点赞数 2

文章标签：卷积神经网络深度学习人工智能计算机视觉

本文链接：https://blog.csdn.net/Qsinsong/article/details/118884710

版权

本文深入探讨卷积神经网络（CNN）的基本概念、原理及其在深度学习中的应用。从数学卷积到CNN中的卷积操作，揭示了如何通过卷积、池化和激活函数来提取图像特征。同时，简述了损失函数在训练过程中的角色以及梯度下降和反向传播的重要性。

摘要由CSDN通过智能技术生成

1 基本概念及原理

1.1 基本概念

概念名称	目的	操作
卷积(Convolution)	提取特征	将图像矩阵遍历乘以卷积核矩阵并输出
池化(Pooling)	降低数据量	对小块矩阵中的所有数取平均（平均池化）或者取最大（最大池化）并只输出一个值，再遍历
激活(Activation)	对卷积层的输出结果进行非线性映射	将中间结果套用某一个函数再输出，以使卷积后的线性映射转换成非线性映射

1.2 基本原理

假设输入的图片为 $x$ ，输出的分类或识别结果为 $y$ ，那么整个卷积神经网络都是 $y = f (x)$ 的 $f (.)$ 。
不准确的说，可以粗略的以为有 $\textbf{y}=f(\textbf{x})=\textbf{Wx}$ ，其中 $\textbf{W}$ 表示权重矩阵。而神经网络无法直接解析出需要的映射，只能通过输入与输出的对应关系一点点调整权重矩阵，也就是所谓的“训练”过程。而用新的输入带入映射中检验是否与正确的输出对应，也就是“测试”过程。
将输入的图片视作矩阵，通过一层层地卷积、池化、激活等操作将初始矩阵提取特征、缩减数据量、转换成非线性映射，再循环，直到得到最终的向量。该向量唯一对应一个输出结果，若结果与正确输出不对应，则根据过程中间的权重矩阵一点点倒推回输入（反向传播），通过梯度下降法调整权重矩阵，继续验证。再循环，输入其他图片与结果，直到权重矩阵调整完毕。