1. 卷积神经网络的概念
- 1 卷积神经网络
卷积神经网络(Convolutional Neural Network,CNN)针对全连接网络的局限做出了修正,加入了卷积层(Convolution层)和池化层(Pooling层)。CNN被广泛应用于图像识别、语音识别等各种场合,在图像识别的比赛中,基于深度学习的方法几乎都以CNN为基础(比如,AlexNet、VGGNet、Google Inception Net及微软的ResNet等)上。 - 2 卷积神经网络结构
通常情况下,卷积神经网络由若干个卷积层(Convolutional Layer)、激活层(Activation Layer)、池化层(Pooling Layer)及全连接层(Fully Connected Layer)组成
2. 卷积神经网络的组成
-
1 卷积层
卷积层是卷积神经网络的核心所在,通过卷积运算,达到降维处理和提取特征两个重要目的 -
2 激活层
激活层的作用在于将前一层的线性输出,通过非线性的激活函数进行处理,这样用以模拟任意函数,从而增强网络的表征能力。激活层常用的函数包括Sigmoid和ReLU(Rectified-Linear Unit,修正线性单元)等。
2.3 池化层
池化层称子采样层或下采样层(Subsampling Layer),作用是降低计算量,提高泛化能力。如下的示例,将44的矩阵缩小成22的矩阵输出
2.4 全连接层
这个网络层相当于多层感知机(Multi-Layer Perceptron,简称MLP),其在整个卷积神经网络中起到分类器的作用。
通过前面多个“卷积-激活-池化”层的反复处理,待处理的数据特性已有了显著提高
输入数据的维度已下降到可用传统的前馈全连接网络来处理了
全连接层输入的数据经过反复提纯过的结果,因此输出的分类品质要高得多