卷积神经网络
卷积神经网络(Convolutional neural network),经典的多层感知机是有一系列的全连接层组成,卷积神经网络中除了全连接层以外,还有卷积层和池化层(pooling)。
为什么需要卷积层
多层感知机中的全连接层会导致庞大的参数量,这会有很高的过拟合风险。卷积是局部连接、共享参数版本的全连接层。这样就使参数量大大降低。
卷积层中的权值常常称作滤波器(filter)或卷积核(Convolution kernel)。
局部连接
在全连接层中,每个输出通过权值(weigh)和所有的输入相连。而在视觉识别中,关键性的图像特征、边缘、角点等只占据了图像的一部分,图像中的相距很远的两个像素之间的相互影响的可能性很小。
因此,在卷积层中,每个神经元在通道方向上保持全连接,而在空间方向上只和一小部分输入神经元相连。
共享参数
如果一组权值可以在图像中某个区域提取出有效的表示,那么它们也能在图像的另外区域中提取出有效的表示。也就是说,如果一个模式(pattern)出现在图像中的某个区域,那么它们也可以出现在图像中的其他任何区域。因此,卷积层不同空间位置的神经元共享权值,用于发现图像中不同空间位置的模式。共享参数是深度学习一个重要的思想