CNN

---

CNN预备知识

1. 前馈神经网络

   • 前馈神经网络中的信息流动仅在一个方向上发生。如果将网络视为以神经元作为其节点的图形，则节点之间的连接使图形中没有循环，则该网络架构可以被称为有向无环图（DAG）。
   • 前馈神经网络最经典的例子为多层感知机（MLP）和卷积神经网络（CNN）。

2. 多层感知机MLP

   • 基础架构

     

     • 分层架构

       神经网络包含多层次化的处理级别，每个级别称为网络层，由许多处理节点（神经元）组成。

       通常，输入通过输入层输入，最后一层为输出层，用于进行预测。中间层执行处理称为隐藏层。

     • 节点

       每层中的各个处理单元称为神经网络架构中的节点。

       节点基本上实现了给定输入的激活函数，决定节点是否会触发。

     • 密集连接

       • 神经网络中的节点是互连的，可以相互通信。每个连接都有一个权重，用来指定两个节点之间连接的强度。

       • 对于前馈神经网络的简单情况，信息在一个方向上从输入层到输出层顺序传送。因此，层中的每个节点都能直接连接到前一个层中的所有节点。

   • 参数学习

     • 权重

       网络中的权重定义了神经元之间的连接，需要适当的设置这些权重，以便可以从神经网络获取所需的输出。

     • 学习

       自动调整网络参数的过程称为学习，这是在训练阶段完成的。该过程涉及网络显示所需任务的示例，以便它可以学习识别输入和所需输出之间的正确关系集。

3. 人工神经元与生物神经元

生物神经元

对应关系：

• 人工神经元 ---- 细胞体
• 输入连接 ---- 树突
• 权重 ---- 突触
• 人工神经元计算加权输入的总和并应用激活函数 ---- 细胞体的功能
• 输出连接 ---- 轴突函数

以下是CNN部分

---

卷积神经网络CNN

CNN的运行方式与标准神经网络非常相似。然而，关键的区别在于CNN层中的每一个单元是二维（或高维）滤波器（也叫卷积核），其与该层的输入进行卷积运算。

CNN