目录
3、全连接层:汇总卷积层和池化层得到的图像的底层的特征和信息
一、卷积神经网络
1、卷积层:提取图像底层特征
2、池化层:防止过拟合,且将数据维度减小
3、全连接层:汇总卷积层和池化层得到的图像的底层的特征和信息
4、最后进行输出
二、卷积
提取特征。
1、感受野
感受野:卷积核光顾到的地方 。(感受到的视野)
2、外层补零(padding)
外层补0,防止原来最外层的元素访问次数过少。(中间的访问次数最多)
2、特征图(结果图)
原图和卷积核做卷积,得到结果(特征图):
有多少个卷积核就有多少个feature map 。
3、三维卷积
三维图像卷积(立体卷积):
卷积核应用
1、平均卷积核(模糊)
2、锐化卷积核(边缘检测)
三、池化
池化作用
池化也叫下采样
1、减少参数量
2、防止过拟合
简而言之,就是在减小参数的同时,保留原始特征,防止过拟合。
最大池化与平均池化
四、全连接层
全连接层:每一层都和上一层所有神经元相连。 (全连接层:最后一层与倒数第二层)
作用:用来把前面提取到的特征综合起来。
(而感受野每次只关注一部分区域,所以是部分连接)
五、卷积网络(过程)
举例:手写数字识别
1、手写数字转灰度图
2、第一次卷积(得到多个特征图)
3、第一次池化(保留特征的同时减少数据量,防止过拟合)
4、第二次卷积(得到更多特征图)
5、第二次池化(保留特征的同时减少数据量,防止过拟合)
6、第一全连接层
7、第二全连接层
8、softmax层,得到结果
图像卷积神经网络
1、卷积(提取特征)
比如需要检测眼睛,那么卷积核为眼睛,卷积到原图的眼睛时,就会变成1,其他为0。
(注:卷积核不是人工规定的,而是机器学习学到的)
卷积到眼睛(100):
没卷积到眼睛(0):
2、池化(防止过拟合)
在保留原始特征的情况下,减少数据量,防止过拟合。(也具有平移不变性)
(注:如果需要精确定位到眼睛的位置的话,则不能用池化层,池化层对于眼睛的位置模糊了 )
3、全连接
得到最终结果。