CNN原理

最新推荐文章于 2024-07-12 11:45:29 发布

cuoguo_xin

最新推荐文章于 2024-07-12 11:45:29 发布

阅读量810

点赞数

分类专栏：机器学习深度学习 CNN 文章标签： CNN 深度学习卷积神经网络

本文链接：https://blog.csdn.net/ssssdbucdbod/article/details/80423052

版权

本文详细介绍了卷积神经网络（CNN）的工作原理，包括卷积操作、池化层的作用、激活函数的功能以及全连接层的意义。通过示例阐述了卷积如何提取图像特征，池化如何减小图像尺寸并保留关键信息，以及激活函数如何引入非线性。最后，总结了CNN的整体架构。

摘要由CSDN通过智能技术生成

一、卷积

对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

如图所示，1*1+1*0+1*1+0*0+1*1+1*0+0*1+0*0+1*1=4，所以对原图片进行卷积后的第一个值为4，后面也一样。那个乘以原图片的矩阵叫做卷积核，具体用来提取原图像的提取输入的一种特征。

上图原图的大小为5*5，经过卷积之后，右图大小变成3*3，经过卷积之后图像大小会变小，一般来说，经过卷积之后的大小会变成Output size=(N-F)/stride +1，其中N为原图像的大小，F为卷积核的大小，stride为步长。步长简单来说就是卷积是卷积核每次移动的大小，上图就是每次移动一格。

下面来看一下卷积的作用

如果两个像素点都是白色（也就是值均为1），那么1*1 = 1，如果均为黑色，那么(-1)*(-1) = 1。不管哪种情况，每一对能够匹配上的像素，其相乘结果为1。类似地，任何不匹配的像素相乘结果为-1。如果一个feature（比如n*n）内部所有的像素都和原图中对应一小块（n*n）匹配上了，那么它们对应像素值相乘再累加就等于n²^，，然后除以像素点总个数n²，结果就是1。同理，如果每一个像素都不匹配，那么结果就是-1。具体过程如下：