CNN初步学习

CNN概念

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

CNN卷积神经网络一共有5个层次结构：
输入层
卷积层
激励层
池化层

卷积层、激活函数、池化层

卷积层：

对输入图像和滤波矩阵做内积的操作就是卷积

填充值：

在进行卷积运算时，输入矩阵的边缘会比矩阵内部的元素计算次数少，可在输入矩阵的四周补零，称为padding

 

 步幅：

数据多的时候每次计算滑动一格导致计算量很大，可以增加步幅比如每次计算滑动两格来减少计算量

 激活函数：

对于我们所要处理的问题不一定是线性可分的，为了解决这样的问题要引入激活函数引入非线性因素。加入了激活函数之后，模型才具备了分层的非线性映射学习能力，具有更高的抗干扰能力。

池化层：

最大池化：

 平均池化：

 池化的作用：简化网络计算的复杂程度，特征压缩，提取主要的特征，防止过拟合，加快计算速度

AI Studio测试截图