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.