卷积神经网络是一种数据(图片,句子,音频等)特征提取的方式, 可以保留数据(图片)特征的同时降低数据量
注意: 如果数据转换为二维数据后的数据列的顺序是不允许更换的(图片,句子,音频)则可以使用卷积神经网路处理,如果可以更换(例如一般的excel统计表格中的数据列)的则不可以使用卷积处理
卷积神经网络一般包括:卷积运算(convolution)、激活函数处理ReLUs、池化(pooling)、数据被打平(全连接)为全连接层后作为特征训练。
1.卷积运算(convolution)
卷积运算使用不同的卷积核可以提取不同的特征
图片数据(灰度,或rgb等二维数据) -> 使用卷积核进行卷积运算 -> 的到卷积(二维数据)
cnn中卷积核是通过训练自动选择的
2.激活函数处理ReLUs
激活函数会对数据进行整理,把其中小于0的数据直接变为0(x>0 => x = x, x<0 => x = 0)
3.池化(pooling)
池化是降低(缩小)数据量(卷积)并尽可能保留其特征的一种方式, 一般使用max pooling
整个过程概述:
整个过程的操作可以重复多次,层数可以很多。
最后数据被打平(全连接)为全连接层
全连接层作为特征训练的到权重