简介:
卷积神经网络(CNN)随着芯片和GPU的发展,应用的地方也越来越多,结构主要包括了输入层、卷积层、池化层、激活函数层、全连接层和输出sofmax层。其中卷积神经网络种类包括一维卷积神经网络(1DCNN)、二维卷积神经网络CNN和三维卷积神经网络(3DCNN),其分类标准主要是看内核在几维空间上移动。
如果用全连接神经网络处理大尺寸图像具有三个明显的缺点:
(1)首先将图像展开为向量会丢失空间信息;
(2)其次参数过多效率低下,训练困难;
(3)同时大量的参数也很快会导致网络过拟合。
卷积神经网络不存在这样问题,但是随着结构的复杂,对设备要求会高一些。
1、输入层
输入层就不多说了,依据你自己的数据是什么类型,然后选择合适卷积神经网络结构,最后根据所选CNN结构调整一下。
比如说1DCNN网络主要是在处理时间序列数据上使用;CNN网络主要是对基本的图像数据即(二维图像)进行处理;3DCNN主要处理3D图像数据,如处理医学上磁共振成像(MRI)数据。
2、卷积层
上述是一个二维卷积神经网络进行卷积和逆卷积的一个过程,其实也就是和正常的神经网络一样,输入数据×权重,不过这里就是有一个卷积核大小,还有移动步长,上述卷积核大小为3×3,移动步长为1。一般情况下, 特征图矩阵都是方阵, 这里设输入矩阵大小为 w, 卷积核大小为 k , 步长为 s , 补零层数为 p , 则卷积后产生的特征图大小计算公式为: