#卷积神经网络(CNN)基本概念#
##发展历程##
- 1959 加拿大神经科学家提出感受野概念
- 1980日本科学家福岛邦彦提出神经认知模型,S-cells抽取局部特征—>卷积convolution层,C-cells抽象和容错—>池化pooling层
- 1998 Yann LeCun 基于梯度学习的卷积神经网络LeNet 手写字体识别
- 2012 Hinton AlexNet在ImageNet夺冠
- 2015 改进激活函数,预测能力超过人类
##基本结构
- 原始数据raw data representation—>卷积、池化、非线性激活函数(不同操作层的“堆叠”)—>映射为高级语义表示—>向任务目标映射==>“端到端”学习或“表示学习”
- 前馈运算:对样本进行推理和预测
- 反馈运算:将预测误差反向传播逐层更新参数
- 两种运算交替以训练网络模型
##基本部件
- “端到端”学习,替代特征表示+分类器
- 网络某一层的输入通常是一个四维张量(高度,宽度,维度,mini-batch)
卷积层
- 卷积核f可视为学习到的权重w,对不同位置的所有输入都是相同的,即卷积层的“权值共享”特性。可加入偏置项b。
- 超参数:卷积核大小filter size、卷积步长stride
- 作用:获取图像的局部信息,如边缘、颜色、形状、纹理等。
汇合层(池化层) - 超参数&#x