本文介绍了卷积神经网络（CNN）的算法原理，包括其在一维、二维构筑中的应用和全卷积构筑。CNN作为深度学习的代表，具有表征学习能力和平移不变性。卷积层的稀疏连接和权重共享特性降低了参数数量并提高模型稳定性。文章还详细解释了如何计算卷积神经网络中各层的感受野尺寸，涉及到滤波器大小、步长等因素，并提供了计算感受野的Python代码示例。
1、卷积神经网络算法是什么？
一维构筑、二维构筑、全卷积构筑。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
卷积神经网络的连接性：
卷积神经网络中卷积层间的连接被称为稀疏连接（sparse connection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第l层特征图中的任意一个像素（神经元）都仅是l-1层中卷积核所定义的感受野内的像素的线性组合。
卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。
最低0.47元/天 解锁文章
扫一扫
1651
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
