卷积神经网络

最新推荐文章于 2023-05-23 15:38:30 发布

D0644727

最新推荐文章于 2023-05-23 15:38:30 发布

阅读量233

点赞数

分类专栏：机器学习文章标签：卷积

本文链接：https://blog.csdn.net/d0644727/article/details/109751473

版权

机器学习专栏收录该内容

15 篇文章 2 订阅

订阅专栏

卷积神经网络其实就是特征提取器。
在大量输入的数据特征之后，为了防止过拟合，需要先用卷积神经网络对参数进行特征提取。
他可以总结为，卷积（Convolutional）、批标准化(Batch Normalization)，激活（Activition），池化（Pool）、（Dropout）

卷积过程

以输入特征为图片的情况为例，一般会有一个与输入维数匹配的卷积核按照指定步长，在输入特征范围内进行滑动，遍历输入特征里面的每个像素点。每滑动一个步长，会与输入特征图部分像素重合，重合区域对应元素相乘、求和，并加上偏置项，得到输出特征的一个像素点。
在这里插入图片描述

eg.如果输入特征为单通道灰度图，选择深度为1的单通道卷积核。如果输入特征为三通道彩色图，可以使用333的卷积核、或者553的卷积核。总之，要使得卷积核的通道数与输入特征图的通道数一致。
卷积核的个数决定了当前层输出特征图的深度。

感受野

卷积神经网络个输出特征图中每个像素点在原始输入图片上映射区域的大小。如图，图中的数字即为感受野的大小。虽然两个感受野为5的特征提取能力是一致的，但是他们的计算方式是不一样的。
一般输入特征比较多的时候，常使用两层33的卷积核替代一层55的卷积核。
在这里插入图片描述

全零填充（Padding）

若想要保持输入特征的尺寸在经过卷积计算之后保持不变，可采用全零填充的方式。
在这里插入图片描述
在tensorflow中，
使用全零填充，padding=‘SAME’
不使用全零填充，padding=‘VALID’

Tensorflow描述卷积层

tf.keras.layers.Conv2D(
filters=卷积核个数，
kernel_size=卷积核尺寸，（正方形写核长整数）
slides=滑动步长（默认是1）
padding=“same” or “valid”（默认）
activation=“relu” or “sigmoid” or “tanh” or “softmax”(如有BN，此处可先不激活）
input_shape=(高，宽，通道数）输入特征图维度，可省略
）
代码书写形式：

model=tf.keras.models.Sequential([
	Cov2D(filters=6,kernel_size=(5,5),padding='valid'
	activation='sigmoid')，
	MaxPool2D(pool_size=(2,2),stride=2),
	Flatten(),
	Dense(10,activation='softmax')
	])