CNN(卷积神经网络)简述
前言
可能很多人会问,为什么要我们需要CNN?这里小编用一张图给大家解释:
这是一张神经网络的错误率图表,我们可以发现从2012年,卷积神经网络的加入,使得神经网络的错误率大幅度下降。之后的神经网络在卷积神经网络的基础上进一步改进,才有了今天极低的神经网络错误率。
卷积神经网络的发展历史
CNN
传统神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer,又叫下采样层)。
- 卷积层:通过在原始图像上平移来提取特征,每一个特征就是一个特征映射
- 池化层:通过特征后稀疏参数来减少学习的参数,降低网络的复杂度,(最大池化和平均池化)
举例
卷积层定义一个过滤器(观察窗口),这个观察窗口带有一定的权重。
将观察窗口与原图所遮盖的区域(也带有一定的权重)做线性回归。随着观察窗口在原图上不断的平移。观察窗口需要规定大小(推荐1 * 1,3 * 3,5 * 5),步长(每一次移动的像素的数量,推荐步长为1)
=====================&#