CNN原理
1.CNN效果图
使用两个三通道过滤器,从三通道RGB图像中生成两个卷积输出的详细过程:
对应位置做乘法然后相加:第一列滑动窗格 * 中间第一个filter=右边第一个矩阵
(1)中间是含有两个filter即两个神经元(下边还包括bias等参数),参数数depth=2。可知3*3滑动窗,且Stride=2。
(2)每个神经元之所以各有三个小矩阵,是因为有RGB三个通道同时过滤计算。
(3)输入的数据之所有周边赋予0,是因为Zero-Padding参数填充0值。
CNN的有三个重要的思想架构:
- 局部区域感知
每一个神经元都不需要对全局图像做感受,每个神经元只感受局部的图像区域,然后在更高层,将这些感受不同局部的神经元综合起来就可以得到全局的信息了。 - 权重共享
每个神经元与局部区域的连接权值参数都是一样的,也就是说它们共享一个过滤器(即卷积核),但是这只能过滤一种特征。如果需要关注多个特征,就设计多个卷积核。 - 空间上的降采样
为什么是下采样?利用图像局部相关性的原理,对图像进行子抽样,可以减少数据处理量同时保留有用信息。
对于一个 96X96 像素的图像,假设我们已经学习得到了400个定义在8X8输入上的