6、单层卷积网络

一个单层神经网络的例子(卷积层)

在这里插入图片描述
上图是一个单层卷积网络的图像,输入三维数据的大小为6×6×3,两个滤波器的大小为3×3×3。
通过滤波器对输入数据进行遍历,会得到两个4×4大小的输出图像,如下图所示:
在这里插入图片描述
通过将两个4×4的输出数据进行叠加,我们则得到最终4×4×2的输出数据。
以上的卷积是在视图层面进行的,从上图可以看出,滤波器的层数须与RGB图像的通道数相同(皆为3),若将这个过程表示在神经网络中,则每一个部分所代表的参数如下图所示:
在这里插入图片描述
上图所示,输入部分,即 a [ 0 ] a^{[0]} a[0]大小为6×6×3,图中有两个滤波器,不同滤波器的作用是提取原始数据中不同的特征,两个滤波器即为权值系数 w [ 1 ] w^{[1]} w[1],将滤波器遍历输入数据所得到的4×4数据加上偏置系数 b [ l ] b^{[l]} b[l](这个过程可以看作为 z [ 1 ] = w [ 1 ] a [ 0 ] + b [ 1 ] z^{[1]}=w^{[1]}a^{[0]}+b^{[1]} z[1]=w[1]a[0]+b[1]),在经激励函数得到最终输出数据(这个过程可以看作为 a [ 1 ] = g ( z [ 1 ] ) a^{[1]}=g(z^{[1]}) a[1]=g(z[1]))。

对于一个 n × n × n c n×n×n_c n×n×nc的一个输入数据,在卷积神经网络中第L层的各项参数大小为多少呢?
在这里插入图片描述
其中, f [ l ] f^{[l]} f[l]为滤波器大小; p [ l ] p^{[l]} p[l]为扩展边缘的大小, p [ l ] = 1 p^{[l]}=1 p[l]=1说明在第 l l l层的输入图像周围加入了一圈边缘; s [ l ] s^{[l]} s[l]为步长,即滤波器遍历原图像时,窗口模板每次运动的像素数; n c [ l ] n^{[l]}_c nc[l]为滤波器个数,滤波器的个数决定了输出图像的层数。

池化层(pooling layer)

作用:缩减模型大小,提高计算速度,同时提高所提取特征的鲁棒性。
池化层(最大池化层和平均池化层)中的超级参数:滤波器大小 f f f、步长 s s s,运用频率最高的超级参数数值为 f = 2 , s = 2 f=2,s=2 f=2,s=2,效果相当于将原始图像的高度和宽度缩减了一半。
在这里插入图片描述
池化层中很少使用步长 p p p这个超级参数,并且池化层是一个静态属性,在逆向过程中没有参数需要学习,超级参数都是初始人为赋予的。
上图中的 n H × n w × n c n_H×n_w×n_c nH×nw×nc指的是池化后输出图像的大小。

卷积网络示例(包含卷积层、池化层、全连接层)

先上图:
在这里插入图片描述
上图是一个简单卷积神经网络的示例,从上图的构建我们可以得出结论如下:
1、一般在统计网络层数时,只计算有权重的层,池化层没有权重,所以通常将池化层和它前面的卷积层算作一层。
2、卷积层的作用是提取重要特征,池化层的作用的改变图像结构,使计算快捷。
3、图中在第二层的池化层处理后,将数据平整为大小为400的一维向量,然后利用这400个单元构建下一层的全连接层,其中,这400个单元与全连接层中120个单元中的每一个单元相连接,则它所具有的权重矩阵 w [ 3 ] w^{[3]} w[3]维度为(120,400),因为最后有120个输出,所以偏置 b [ 3 ] b^{[3]} b[3]为120。
4、超级参数的选择要点在于大量阅读别人的文献数据,借鉴他人数据。
5、随着神经网络的深度增加,宽度和高度都会随之减小,而信道数量会增加。
6、在卷积神经网络中一个常见的模式是,一个或多个卷积层后跟随一个池化层,然后是几个全连接层,最后是一个softmax。

下表是关于上图过程中激活值大小和参数数量的统计:
在这里插入图片描述

为什么使用卷积?

比起全部使用全连接层,卷积层的优势在于参数共享和稀疏连接。
在这里插入图片描述
关于参数共享和稀疏连接的具体解释如上图所示,目前还无法深入了解,只能先意会。

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值