众所周知,CNN是一种特殊的深层前馈网络,CNN模型主要包含输入层、卷积层、激励函数、池化层、全连接层以及输出层。接下来将为大家细化分析每一层结构的作用。
输入层(INPUT):用于数据的输入。
当输入一张3232的jpg图片的时候,输入层能读取到3232*3的矩阵,3是它的深度(即R、G、B)。
卷积层(CONV):使用卷积核进行特征提取和特征映射。
机器学习识别图片的过程中,并不是一下子整张图同时识别,而是对于图片中的每一个特征首先局部感知,然后更高层次对局部进行综合操作,从而得到全局信息。
激励函数(RELU):由于卷积也是一种线性运算,因此需要增加非线性映射。
所谓激励,实际上是对卷积层的输出结果做一次非线性映射。
如果不用激励函数(其实就相当于激励函数是f(x)=x),这种情况下,每一层的输出都是上一层输入的线性
函数。容易得出,无论有多少神经网络层,输出都是输入的线性组合,与没有隐层的效果是一样的,这就是最原
始的感知机了。
常用的激励函数有: