本文是关于卷积神经网络（CNN）的学习笔记，涵盖了卷积、深度、步幅、非线性变换ReLU、池化和完全连接层的基本概念。CNN通过卷积提取图像特征，ReLU引入非线性，池化降低维度，完全连接层用于分类。通过多个卷积、ReLU和池化层构建网络，并通过反向传播和梯度下降优化权重。
主要操作
卷积、非线性变换（ReLU）、池化或子采样、分类（完全连接层）
卷积
卷积的主要目的是从输入图像中提取特征。
卷积的解释：将橙色矩阵在原始图像（绿色）上以每次1个像素的速率（也称为“步幅”）移动，对于每个位置，计算两个矩阵相对元素的乘积并相加，输出一个整数并作为最终输出矩阵（粉色）的一个元素。
在卷积神经网路的术语中，这个3 × 3矩阵被称为“过滤器”或“核”或“特征探测器”，通过在图像上移动过滤器并计算点积得到的矩阵被称为“卷积特征”或“激活映射”或“特征映射”。重要的是要注意，过滤器的作用就是原始输入图像的特征检测器。
深度
卷积运算的过滤器数量。如果使用三个过滤器进行卷积就可以得到三个不同的特征图，将这三个特征图视为堆叠的二维矩阵，因此特征映射的深度为3。
步幅
在输入矩阵上移动一次过滤器矩阵的像素数量。步幅越大，生成的特征映射越小。
非线性变换ReLU
ReLU 是一个针对元素的操作（应用于每个像素），并将特征映射中的所有负像素值替换为零。ReLU 的目的是在卷积神经网络中引入非线性因素（卷积是一个线性运算 —— 按元素进行矩阵乘法和加法，所以我们希望通过引入 ReLU 这样的非线性函数来解决非线性问题）。
其他非线性函
最低0.47元/天 解锁文章
4900
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
