本文深入浅出地介绍了卷积神经网络（CNN）的基本原理，包括权值共享、卷积层、采样层及其在手写数字识别中的应用。通过实例展示了CNN如何通过卷积滤波器提取图像特征，以及在训练过程中如何通过反向传播调整滤波器权重，以优化网络性能。CNN在图像识别和模式检测中的作用被类比于人类大脑的低阶到高阶特征处理方式，揭示了其在深度学习中的重要地位。
卷积神经网络策略：权值共享，让一组神经元使用相同的权值，大大的提高了权值多的计算训练慢的缺点。
例如 卷积神经网络对手写数字识别：
网络的输入是一个32ｘ32的手写数字图像，输出是其识别结果，CNN复合多个卷积层，和采样层对信号进行加工，然后在连接层实现与输出目标之间的映射。每个卷积层都包含多个特征映射，每个特征映射是一个有多个神经元组成的平面，通过一种卷积滤波器提取输入的一种特征。如上图，第一个卷积层由六个特征映射组成，每个特征映射是一个28*28的神经元矩阵，每个神经元负责从5*5的区域通过卷积滤波器提取局部特征。采样层也成为汇合层，其作用是基于局部相关性原理进行亚采样，从而减少数据的同事保留有用信息。CNN可以用BP算法进行训练。但在训练中无论是卷积层还是采样层，每一组神经元（图中的每个平面）都使用相同的权值，从而大幅度减少所要训练的参数数目。
对卷积神经网络工作原理做一个直观的解释：
从最基础开始：
对二维数字信号（图像）的操作 ，可以写成矩阵的形式.
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
