本文详细介绍了卷积神经网络（CNN）的基础理论，包括网络结构、传统模型的推导。重点阐述了卷积层的正向传播，解析了Caffe中卷积运算的实现，并探讨了卷积层反向传播的基本原理，为理解CNN的工作机制提供了清晰的路径。
1. 基础理论
1.1 网络结构梳理
在CNN网络模型是建立在传统神经网络结构上的，对于一个传统的神经网络其结构是这样的：
从上面可以看出，其模型是全连接的。若是使用一幅512*512大小的图像作为输入，隐层1中含有10000个神经元，那么在不算偏置项的情况下，权值参数的个数就是512*512*10000个，如此巨大的参数量不计较内存其优化也是比较困难的。
在此基础上学者推出了CNN网络模型，其较为经典的运用便是LeNet，下面是其结构展示：
可以从上图中看出，其网络结构中主要存在两个之前没有的成分：卷积层（ConvNet）、池化层（PoolNet）。对于上图中的卷积层C1可以看到它包含的是6个卷积核，每个卷积核的大小是5*5，因而其参数量是6*(5*5+1)。相比之前的传统神经网络在参数量上就小了很多。说道卷积其具体的含义就是对图像使用掩膜进行运算，与传统图像处理中的中值滤波、均值滤波有类似性，可以使用下图进行解释：
在上图中可以看到黄色的滑动窗口在图像矩阵中进行滑动，从而得到了最后的卷积结果。对于卷积之后图像的尺寸是有一个计算公式的，当下假设输入图像的尺寸 W∗H W ∗ H ，卷积核的尺寸为 Wk∗Hk W k ∗ H k ，填充用的 padding=p
最低0.47元/天 解锁文章
1688
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
