人工智能初学- 1.3 卷积神经网络

• 卷积知识

卷积就是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。

参考博客：https://blog.csdn.net/bitcarmanlee/article/details/54729807

 

• 神经网络（NN）

下面这个是典型的神经网络三层模型：Layer L1是输入层，Layer L2是隐含层，Layer L3是隐含层

参考下面的博客可以详细知道这个模型是如何工作的：

BP 神经网络：

http://www.cnblogs.com/charlotte77/p/5629865.html

https://blog.csdn.net/fendouaini/article/details/79789440

• 卷积神经网络（CNN）

分为三层：

• 卷积层（Conv Layer）

举个例子，现在有一个4*4的图像，我们设计两个卷积核，看看运用卷积核后图片会变成什么样。

 

卷积核跟图像内积的过程可以看下面的动图：

• 池化层（Pooling Layer）

通过上一层2*2的卷积核操作后，我们将原始图像由4*4的尺寸变为了3*3的一个新的图片。池化层的主要目的是通过降采样的方式，在不影响图像质量的情况下，压缩图片，减少参数。简单来说，假设现在设定池化层采用MaxPooling，大小为2*2，步长为1，取每个窗口最大的数值重新，那么图片的尺寸就会由3*3变为2*2：(3-2)+1=2。从上例来看，会有如下变换：

池化层神经网络不会改变三维矩阵的深度，但是可以缩小矩阵的大小。

通过池化层可以进一步缩小最后全连接层中节点个数，从而达到减少整个神经网络中参数的目的。

• 全连接层（Fully Connected Layer）

到这一步，其实我们的一个完整的“卷积部分”就算完成了，如果想要叠加层数，一般也是叠加“Conv-MaxPooing",通过不断的设计卷积核的尺寸，数量，提取更多的特征，最后识别不同类别的物体。做完Max Pooling后，我们就会把这些数据“拍平”，丢到Flatten层，然后把Flatten层的output放到full connected Layer里，采用softmax对其进行分类。

 

这一部分参考博客https://www.cnblogs.com/charlotte77/p/7759802.html

 

 

具体的计算实例可以参考下面这篇文章，写的超级棒：

https://blog.csdn.net/cwcww1314/article/details/73413169