CNN - 卷积神经网络总体介绍

 

卷积神经网络

本文只是做一个总结性概述，具体各部分请点击相应链接

• 卷积神经网络的层次

1、数据输入层：Input Layer

      输入层具体内容详见博主博客链接：https://blog.csdn.net/qq_38646027/article/details/97786102

2、卷积计算层：CONV Layer —— 卷积核计算

      卷积核计算具体内容详见博主博客链接：https://blog.csdn.net/qq_38646027/article/details/97786764

3、ReLU激励层：ReLU Layer —— 激活函数计算

      后面的具体内容之后陆续更新

4、池化层：Pooling Layer —— 减少特征平面特征值数量。

5、全连接层：FC Layer

6、输出层：

激活函数即分类器：如softmax，通过分类器得到图像属于每个类的概率。

过程可简单表示为：

[ ( CONV > ReLU ) * N > POOL? ] * M > (FC > RELU) * K > SoftMax

 

7、求损失函数

8、反向传播更新卷积核参数（损失函数对各个参数w求偏导,将输出的所有特征值的误差和代入，求得梯度值，使用梯度下降：新w = 旧w-学习率*梯度值，更新参数）

简单说一下：

首先它依然有输入层和输出层，输入层是一个矩阵，接收图像的二维矩阵信息（此处图像只考虑一个通道），经过卷积、池化、卷积、池化……得到的依然是矩阵。但是输出层与BPNN一样，并非一个矩阵，而是一个向量，例如(1, 0, 0)代表图像是狗,(0, 1, 0)代表图像是猫, (0, 0, 1)代表图像是鸟，(0.9, 0.1, 0)代表图像很大概率是狗，小概率是猫，所以CNN在最后的结构需要把矩阵展开，然后类似BPNN那样全连接神经网络，输出到一个一维向量中。

首先了解前向传播。前向传播的过程是，图像的原始像素值输入到CNN中，经过卷积操作，得到特征平面，特征平面经过激活函数激活，输出到池化层，池化层经过简单的最大值池化或均值池化，再输出给下一层卷积，经过N次这样反复处理，即可完成从识别简单的轮廓、线到识别抽象物体的飞跃。以上过程存续的结果都是二维的矩阵。最后连接到一个全连接层，输出成一个一维向量。最后经过激活函数即可得到图像属于每个类的概率。

卷积层的激活函数可以选择ReLU函数（线性整流函数），池化层没有激活函数，池化的结果直接传递给下一层，输出层的激活函数可以选择Softmax，Softmax是专门处理多分类的激活函数，可以输出样本分别属于各个类的概率。

需要训练的参数是卷积核矩阵中的值以及偏置。训练好的卷积核矩阵理论上可以表示物体的相关特征（如针对汽车的轮胎形状）。

 

一、总体结构

 

 

卷积层负责提取特征，池化层负责特征选择，全连接层负责分类。

两层或者以上的神经网络，几乎可以拟合任意函数。

 

具体各部分请点击相应网页链接。