1.卷积神经网络学习总结
卷积神经网络神经网络针对图像处理而生,用于解决处理图像数据参数过多导致运算增加并容易出现过拟合问题。卷积神经网络分为卷积层、池化层、全连接层,每一层都可以有多个。
个人理解,卷积神经网络是尽最大可能简化计算过程,在此基础上保证正确率,数学本就是基于现实而存在然后高于现实。对于卷积神经网络的学习主要用到如下知识储备,先写出轮廓,后续进一步完善。
2.知识储备和学习
2.1 卷积的计算
卷积计算在大学中有专门讲解,但是大学讲解深奥,实际工程应用并不需要那么深,卷积运算就是矩阵的加权和,然后加上偏置参数,最直观的理解是输入3x3的矩阵,卷积3x3的矩阵,得到一个值,这个值就是输入3x3矩阵中间值与周围值差值而得到的新值。在后学学习中,将卷积矩阵称为滤波器(filter),部分图像处理中也称之为内核(kernel)。
2.2 激励函数
激励函数是简单的一个分段函数,目前主要使用ReLu这个函数。经典的激励函数有大概六种,后续会加入相关学习。Relu这个函数实际上是当输入<0时,输出为0,输入>=0时,输出x。整个神经网络系统是线性时不变系统,因此根据信号与系统理解激励函数的作用。
2.3 LeNet-5 经典神经网络模型
LeNet-5神经网络是一种经典的神经网络模型,是可以实际应用于图像识别的一种神经网络,明天主要实际编程学习这个网络,并且分享学习中的坑和心得