对CNN卷积神经网络学习过程中的学习笔记,会持续更新。
本文所说的CNN(Convolution Neural Network)是卷积神经网络的英文首字母,非"美国有线电视新闻网(Cable News Network)"。
CNN结构大同小异,主要由三个部分构成:
1.卷积层(Convlolutional layer)
2.池化层(Pooling layer)
3.全连接层(Full connected layer)
卷积层:
卷积层由多个卷积核构成,卷积核为带有表示权重大小的矩阵。
卷积公式:
它的物理意义大概可以理解为:系统某一时刻的输出是由多个输入共同作用(叠加)的结果。
放在图像分析里,f(x) 可以理解为原始像素点(source pixel),所有的原始像素点叠加起来,就是原始图了。
g(x)可以称为作用点,所有作用点合起来我们称为卷积核(Convolution kernel)。
卷积核上所有作用点依次作用于原始像素点后(即乘起来),线性叠加的输出结果,即是最终卷积的输出,也是我们想要的结果,我们称为destination pixel.
卷积过程动态图
卷积的意义:
提取特征。
卷积后输出单元数量计算:
一个输出单元的大小有以下三个量控制:depth, stride 和 zero-padding。
- 深度(depth) : 顾名思义,它控制输出单元的深度,也就是filter的个数,连接同一块区域的神经元个数。又名: