卷积神经网络【CNN】--卷积层的原理详细解读

AI_茗

于 2024-07-19 13:52:31 发布

阅读量286

点赞数 9

文章标签：深度学习神经网络 cnn 人工智能 python

本文链接：https://blog.csdn.net/m0_71212744/article/details/140546528

版权

卷积层（Convolutional Layer）是卷积神经网络（Convolutional Neural Network, CNN）中的核心组件，它通过卷积运算对输入数据进行特征提取。以下是对卷积层的相关概述：

一、基本概念

定义：卷积层由多个卷积单元组成，每个卷积单元的参数通过反向传播算法优化得到。卷积运算的目的是提取输入数据的局部特征。

作用：在图像处理中，卷积层能够提取图像的边缘、线条、角等低级特征，并通过多层网络迭代提取更复杂的特征。

在深度学习中，图像卷积的运算公式主要涉及到输入图像、卷积核（滤波器）、输出特征图之间的尺寸关系以及卷积核的参数量计算。如下：

Input表示输入的特征图，数字为像素点的值，其中黄色的部分表示卷积核的关注区域。kernel表示了一个尺寸为 3×3 的卷积核，其中绿色部分表示卷积核的权重。output表示经过卷积运算后得到的输出结果，其黄色区域表示的就是卷积的运算结构。

Output = 2 ∗ −1 + 1 ∗ 0 + 0 ∗ 1 + 9 ∗ −1 + 5 ∗ 0 + 4 ∗ 1 + 2 ∗ −1 + 3 ∗ 0 + 4 ∗ 1 = −5

卷积核（Convolution Kernel）是一个小型矩阵，其元素是可学习的参数（权重），用于对输入数据进行加权求和操作。在图像处理中，卷积核也被称为滤波器（Filter）。通过卷积核与输入数据的局部区域进行卷积运算，可以提取出该区域的特征。

数量：卷积层的输出通道数决定了卷积核的数量。每个卷积核都会生成一个输出特征图，因此输出通道数等于卷积核的数量。多个卷积核可以学习到输入数据的不同特征。

尺寸：卷积核的尺寸通常是较小的，如3x3、5x5等。较小的卷积核有助于减少计算量，并通过堆叠多个卷积层来捕捉更大范围的上下文信息。同时，较小的卷积核也更容易学习到局部特征。

步长是指在卷积过程中，卷积核从输入特征图的当前位置移动到下一个位置时，沿着输入特征图的宽度和高度方向各自移动的像素数。步长可以是不同的值，但通常情况下，沿着宽度和高度方向的步长是相同的，以保持输出特征图的宽高比。

步长的选择对卷积神经网络的性能有重要影响。较小的步长可以保留更多的细节信息，但可能导致计算量增加和特征冗余。较大的步长可以减少计算量，但可能会丢失一些重要的细节信息。因此，在设计卷积神经网络时，需要根据具体任务和数据集的特点来选择合适的步长。

填充是指在进行卷积操作之前，在输入特征图的周围添加额外的行和列，这些额外的行和列通常被初始化为零值（也可以是其他值）。这样做的目的是控制输出特征图的尺寸，避免在卷积过程中丢失边缘信息，并有助于在构建深层网络时保持输入和输出尺寸的一致性。

填充主要分为以下几种类型：

有效填充（Valid Padding）：不进行填充，即填充大小为0。在这种情况下，输出特征图的尺寸会小于输入特征图，因为卷积核无法覆盖到输入特征图的边缘部分。

相同填充（Same Padding）：进行足够的填充，使得输出特征图的尺寸与输入特征图相同（或尽可能接近）。填充的大小取决于卷积核的尺寸和步长，以确保卷积操作后特征图的尺寸保持不变。

任意填充（Arbitrary Padding）：填充的大小可以是任意值，根据需要进行设置。这种填充方式在特定场景下可能有用，但不如有效填充和相同填充常用。

卷积层通过卷积核（Convolution Kernel）与输入特征图（通常是图像或其他类型的数据）进行卷积运算，提取出输入数据中的局部特征。这些特征可以是低级的，如边缘、纹理和颜色等，也可以是更高级别的抽象特征，这些特征在后续的网络层中会被进一步处理和组合，以形成更复杂的特征表示。

卷积层中的每个卷积核都会在整个输入特征图上滑动，进行卷积运算。这种参数共享机制极大地减少了模型的参数量，降低了模型的复杂度和计算成本，同时也减少了过拟合的风险。因为同一卷积核在滑动过程中使用的参数是固定的，这意味着它在学习输入数据的某种特征时，会将这种特征应用到整个输入数据上。

通过卷积运算和可能的池化（Pooling）操作，卷积层可以降低输入数据的维度，从而减少后续网络层的计算量。这有助于模型在保持重要特征的同时，减少冗余信息，提高计算效率。

关注