卷积神经网络--卷积神经网络的原理和结构

目录

1.三个性质

1.1局部性

1.2相同性

1.3不变性

2.网络的层结构

2.1卷积层

2.1.1局部连接

2.1.2空间排列

2.1.3参数共享

2.2池化层

2.3.全连接层

3.卷积神经网络的基本形式

4.补充

4.1小滤波器的有效性

4.2网络的尺寸设计

---

 

卷积神经网络于1998年由Yann Lecun提出，卷积网络用于处理计算机图像。图像分类是计算机视觉中的一个核心问题。计算机视觉的和兴任务之一时图像识别。

如何来实现图像识别呢？我们会给计算机提供每种类别的图片，让机器自己去学习其中的特征并形成一个算法，这就是机器学习的核心

这些算法以来与数据集，已成为数据驱动的算法

1.三个性质

1.1局部性

检测局部图片中的特征来决定图片的类别

1.2相同性

不同的图片，如果具有相同的特征，虽然这些特征会出现在不同的位置。但是他们的特征还是相同的，我们还是可以通过局部的特征来判断

1.3不变性

对于一张图片，我们进行向下采样（对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。），那么图片的性质基本保持不变

2.网络的层结构

对于全连接神经网络，在输入层中需要输入图片的每个像素，对于MNIST数据集来说需要28*28个输入神经元。而这些图片还是较小的。对于较大的彩色图片我们不可能使用那么多的神经元来进行处理。

卷积神经网络是一个3D容量的神经元，一个神经元是以三维来排列的:宽度、高度和深度。

卷积神经网络主要有三层结构:卷积层、池化层和全连接层，通过堆叠来形成一个完整的卷积神经网络。

2.1卷积层

卷积层是卷积网络的核心，大多数计算都是在卷积层中进行的。卷积网络的参数是由一系诶可以学习的滤波器集合构成的，每个滤波器在宽度和高度上都比较小，但是深度输入和数据保持一致。当滤波器沿着图像的宽和高滑动时，会生成一个二维的激活图。

每个滤波器会有一整个滤波器的集合，会形成多个激活图