和卷积核一样大的小窗口在图片上盖着,这个小窗口被称为感受野,就是这个浅蓝色区域。
浅蓝色的区域的图像上的像素和卷积核上的权重,对应位置相乘,然后求和,写到右边,就生成了一个feature map,这就是一个卷积的运算,在卷积过程中,卷积核的权重是不变的,所以是局部连接,权值共享,这就是卷积的一个特点。
如果是三通道的RGB彩色图片呢?刚刚是一通道的灰度图
我们的卷积核,也应该有三个通道,在三维矩阵中进行滑动,仍然是感受野中的像素和卷积核中的权重对应位置相乘,乘积求和,填到右边,就生成了一个feature map
池化层又叫下采样层,池化可以减少feature map的尺寸,减小计算量,同时可以防止过拟合,
把一些噪音过滤掉,同时为卷积神经网络引入了平移不变性。
池化层后面还可以继续接卷积层或池化层,一直到最后得到这个feature map,把一个feature map拉平为一个长向量,把这个长向量喂到全连接神经网络中。
分析:既可以解决二分类问题,也可以解决多分类问题。
卷积层可以理解为提取图像的特征,全连接层可以理解为用提取出来的特征来进行分类,也就是说对提取出来的特征进行融合和汇总。
分析:这就是整个卷积神经网络的基本架构,卷积,池化,卷积,池化,卷积,池化,全连接,全连接,全连接,输出。
Dense layer 就是常提到和用到的全连接层
密集层(Dense Layer)是深度学习中常用的一种神经网络层,也被称为全连接层(Fully Connected Layer)或线性层(Linear Layer)
底层的卷积层提取的是一些底层的特征,比如边缘,颜色,中间的卷积层提取的就越来越高级,
越来越特化,可能会有一些形状,网络越往深走,提取的特征就越来越高级和特化,比如物体,越来越倾向于语义特征的提取。
更加细致的内容参考下面视频:
参考:
同济子豪兄