**
第八天:卷积神经网络
**
卷积神经网络相较于全连接网络而言更加的具有广泛性,并且全连接网络模型结构不够灵活,对于图片而言,输入层神经元的个数等于像素个数,参数太多太庞大。
下面将对于图片进行比较:
相较而言,卷积神经网络中神经元之间的链接不是全连接了而是部分链接,这是卷积神经网络一个比较重要的特点
卷积神经网络建立模型:
上图的主要目的是减少网络参数加快下载速度
权重共享,将一张大的图片分成多个连续的小图片,分别计算
无论哪一块算出来都是w1到wn的和,都一样,所以叫权值共享。
下采样:对图片的像素进行处理将像素缩小,虽然尺寸缩小了,但是并不影响图像中的物体识别
卷积层:
例如有一个66的图片,该图片有一个三成三的卷积核,先选择66图片中左上角的33的方格与卷积核相乘得出的结果放入特征图(feature map)中,卷积核中的值一般是在训练过程中学习出来的,不是给定的值,
上述为一个卷积核控制一个特征
卷积核如何控制多个特征
用多个卷积核生成多个特征图。
pooling层:
以上图为例最右边的22的图是左边44的图将其分为22的图之后的四个数中取最大的那个值即可这是max pooling
还有average pooling 只是将取最大值变为取平均值。
PS:feature map 在实际情况下是一个立体图不是二维平面图
lenet-5经典模型:
551+1中的加一是偏置