图像分类
图片的结果表示用one-hot表示
图片的输出就是一个维度相同的向量,我们比较输出和标签用的交叉熵
图片的输入用一个三维的tensor表示,分别为长宽和channel(RGB)
问题:输入数据维度太大
简化方法
观察1. 我们发现很多时候我们不需要观察全局信息,只需要观察局部信息
CNN的设置:设置一个receptive field,在CNN中,某个神经元只考虑这个field内的数据。对于所有的field,可以任意设置,可以相同的区域、可以不同的大小、可以不同的channel、甚至可以是长方形
其中最经典的设置方法是根据一个kernel size(3×3),同一个field会有一组neural守备。不同的field之间的距离为stride(横纵均为2),所以field之间会有重叠。但是这个时候边边会有超出的范围,这里我们使用padding方法,也就是对图像外的部分进行补值。
观察2
对于不同图片,特征位置出现位置可能不一样(比如鸟嘴),如果想要全面的话,我们就需要在每一个field都要一个监测特征的neural,
这样会导致我们的参数数量太多。
这里我们用共享参数的想法处理,也就是对于每一个field的所有neural都共享同一组参数,根据监测特征的不同,分别为filter1、filter2…
这些filter也可以理解为抓取特征的tensor
在第一层时,因为channel为3,故第一层的filter的高度为3的tensor
在第二层时,需要根据第一层filter的数量来确定filter的tensor高度
…
这样一层一层迭代,最终能够覆盖整个图像
观察3
比如将原先图片奇数部分的pixel都删掉,但最后不会影响整体效果,这就是pooling操作
max pooling:将一组(2×2)内取最大的值作为区域的代表
min pooling:将一组(2×2)内取最小的值作为区域的代表
pooling实际上就是将图片变小
但近年来运算能力越来越强,这种牺牲部分精度的pooling可以不采用