卷积神经网络CNN（一）基本概念、卷积

最新推荐文章于 2024-09-19 10:45:00 发布

cufewxy2018

最新推荐文章于 2024-09-19 10:45:00 发布

阅读量3.6w

点赞数 26

分类专栏：有监督学习文章标签： CNN 卷积神经网络

本文链接：https://blog.csdn.net/cufewxy1/article/details/80485886

版权

卷积神经网络（CNN）是专为图像识别设计的网络，模仿人类视觉处理过程。与BPNN相比，CNN在处理图像时更高效，参数较少。CNN的核心是卷积操作，通过卷积核对图像进行扫描，提取特征。权重共享机制降低了计算量，卷积层的输出称为特征平面，表示图像中符合特征的程度。

摘要由CSDN通过智能技术生成

卷积神经网络（Convolutional Neural Network）是一个专门针对图像识别问题设计的神经网络。它模仿人类识别图像的多层过程：瞳孔摄入像素；大脑皮层某些细胞初步处理，发现形状边缘、方向；抽象判定形状（如圆形、方形）；进一步抽象判定（如判断物体是气球）。

CNN与BPNN的异同

如果了解BPNN的框架，那么更容易理解CNN了。本文从CNN与BPNN的异同点出发，分析CNN的结构。首先相同点是CNN与BPNN一样都是神经网络，含有多层神经元，每层神经元到下层都有权重相连，误差传导也是反向的模式。

CNN与BPNN的区别在于CNN是在BPNN的基础上针对图像识别问题进行了优化。设想一下，如果给定一个照片，用BPNN训练会有什么后果？假设照片是RGB照片（含有R、G、B三个通道，每个像素点的值是0-255），用BPNN其实也可以训练。首先要把它展开成一个很长的一维数组，因为BPNN的输入只能是一维的。假如照片是500*500（已经很小了），那么展开以后就是500*500*3=750000的输入长度，即使隐含层只有一层，且该层只有一个神经元，从输入层到隐含层的权重也需要750000个，参数太多了无法估计。那么如何精简参数呢？