卷积神经网络

最新推荐文章于 2024-01-12 09:55:01 发布

lgy54321

最新推荐文章于 2024-01-12 09:55:01 发布

阅读量321

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/lgy54321/article/details/96899454

版权

本文深入探讨卷积神经网络（CNN），包括卷积层的参数共享原则、池化层的作用，以及CNN的组成结构。介绍了卷积计算流程、池化层的max-pooling和mean-pooling操作，并阐述了反向传播过程中参数的更新。

摘要由CSDN通过智能技术生成

文章目录

卷积神经网络
卷积层
- 卷积参数共享原则
池化层
卷积神经网络的组成

卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。
对比：卷积神经网络、全连接神经网络
在这里插入图片描述
左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层

右图：卷积神经网络（立体），组成：输入层、卷积层、激活函数、池化层、全连接层

在卷积神经网络中有一个重要的概念：深度

卷积层

卷积：在原始的输入上进行特征的提取。特征提取简言之就是，在原始输入上一个小区域一个小区域进行特征的提取，稍后细致讲解卷积的计算过程。
在这里插入图片描述
上图中，左方块是输入层，尺寸为3232的3通道图像。右边的小方块是filter，尺寸为55，深度为3。将输入层划分为多个区域，用filter这个固定尺寸的助手，在输入层做运算，最终得到一个深度为1的特征图。

上图中，展示出一般使用多个filter分别进行卷积，最终得到多个特征图。
在这里插入图片描述
上图使用了6个filter分别卷积进行特征提取，最终得到6个特征图。将这6层叠在一起就得到了卷积层输出的结果
卷积不仅限于对原始输入的卷积。蓝色方块是在原始输入上进行卷积操作，使用了6个filter得到了6个提取特征图。绿色方块还能对蓝色方块进行卷积操作，使用了10个fi