1、CNN的架构模型
CNN是一种前馈网络,即信息流从输入到输出都是单向的。正如人工神经网络(ANN)是受生物学启发的,CNN也是。大脑的视觉皮层由简单细胞和复杂细胞交替组成(Hubel & Wiesel, 1959, 1962),这激发了他们对CNN架构的设计。CNN的架构有多种变体,通常,它们由卷积层和池化层(subsampling)组成,这些层被分组成模块。在前馈网络中,最后会连接一层或多层全连接层。这些模块通常堆叠在一起,形成一个深层模型。
图像直接输入到CNN网络中,接下来是几个阶段的卷积和池化,然后,经过一层或多层全连接层的特征表示,最后,经过一个完全连接层输出类标签。
从科学技术发展角度看,CNN经典框架的发现深受生物神经科学的发展,通过这篇博文《CNN简史》,我们会发现,现代人工神经网络受生物研究的影响可能比我们想象中的还要大。从中可以得到CNN的三个重要思想:a、权值共享 ; b、局部连接(也叫稀疏连接) ; c、平移不变性和等变性
1.1、权值共享
特性:使用卷积核的权重系数进行卷积时,在同一张图片上权重值系数是一样的,这就是权值共享。
好处:大大的减少了参数,加速了训练速度。
1.2、局部连接
特性:每个神经元仅与输入神经元的一块区域连接,这块局部区域称作感受野&#