通俗易懂的卷积神经网络教程
本专栏主要讲解卷积神经网络的原理,以及一些改进。并做一些卷进神经网络的应用。
小木希望学园
计算机、数学、物理爱好者
展开
-
通俗易懂的卷积神经网络教程-第一讲
大家好,我是小木,小木课堂又开课了o(∩_∩)o 。 哈哈,今天我要讲的是卷积神经网络(CNN Convolutional Neural Network)。看这个名字,卷积神经网络(CNN),好TMD高大上啊,听起来挺唬人的,其实也就那么回事儿,当初我讲过深度信念神经网络(DBN),也讲过生成式对抗网络(GAN),这都是深度学习中的算法。这些东西说实话差不了多少,都是BP的改进。要说CNN是谁发...原创 2018-05-10 23:58:55 · 4543 阅读 · 2 评论 -
通俗易懂的卷积神经网络教程-第二讲
先回忆第一讲的内容 我们通过把图片数字化,变成一个个的小点,再把小点点给拉成一行,变成自变量。然后我们把图片中的数字作为标签,也就是因变量,我们设定一张图片有10个因变量,这十个变量值是0或1的数字,如果是某位置x是1,那么这个图片中的数字就是x-1。 如果有6W张图,我们会得到6W组这样的变量,这样的变量就是我们输入到卷积神经网络中的输入变量。最后我们会得到一个自变量、标签的表格:表1自变量...原创 2018-05-11 21:23:51 · 2051 阅读 · 9 评论 -
通俗易懂的卷积神经网络教程-第三讲
通俗易懂的卷积神经网络教程-第三讲我们复习一下上一节的内容,我们把一张28*28*1图片矩阵通过2次卷积,两次池化过程给它变成了4*4*72的矩阵。 之后呢,我们就要直接用BP神经网络进行全连接。用什么输入变量进行全连接呢?首先我们把这72个4*4的矩阵的其中第一个(PP1)给展开为一条,一共4*4=16个变量:12...16 接着我们把第二个、第三个...一直到第72个矩阵(PP2~PP72)全...原创 2018-05-13 00:01:02 · 1426 阅读 · 1 评论 -
通俗易懂的卷积神经网络教程-第四讲
大家好,我是小木,没想到吧,我又回来了,哈哈哈哈哈哈哈。大家准备好,一秒钟进入状态,三分钟学完课程吧。没从头读到尾算我输!昨天我们讲完了正向传播,正向传播的过程还记得吧,首先我们把图片作为输入变量,经过卷积、池化、卷积、池化、BP全连接,求出Y值,然后我们把Y值与标签值相减求出误差,以此类推把所有的图片都这么做,求各个Y值和误差,最后我们把所有的误差取平方后相加,再除以图片的总数,求出均方差MSE...原创 2018-05-13 23:55:03 · 1325 阅读 · 4 评论 -
通俗易懂的卷积神经网络教程-第五讲
如果大家觉得好,求转载或者留言呀!大家好,今天进入第五讲了,第五讲的内容不多,只有一部分:卷积层向池化层的反向传播。昨天我们讲到了池化层向卷积层进行反向传播,在传播完成之后,我们得到了12个8*8的矩阵δδ.接下来,我们要利用这个矩阵向池化层进行反向传播:首先,大家想想我们正向传播的时候,什么变成了8*8的矩阵呢?如果没有忘记的话那很好,要是忘记的话,我再提醒一次,我们开始有6个12*12的矩阵,...原创 2018-05-14 21:19:05 · 1240 阅读 · 6 评论 -
通俗易懂的卷积神经网络教程-第六讲
第四讲,第五讲已经把反向传播给讲完了,但是我们反向传播是要干啥还记得吧?是要将卷积神经网络的所有权值都给改变了,也就是说调整权值使得输出变量Y与标签接近。 那么怎么进行权值呢?在调节权值之前,我们先把正向和反向传播的过程用图片的形式复习一下: 我们最开始的正向传播,随机生成了6个滤波器,每个滤波器中有5*5=25个权值和一个偏置量。第二次我们随机生成了12个滤波器,每个滤波器中...原创 2018-05-15 23:59:12 · 1112 阅读 · 1 评论 -
通俗易懂的卷积神经网络教程-第七讲
大家好,我是小木,今天是卷积神经网络的最后一节课,我们要讲的内容是大大迭代及测试环节。首先说一个问题,就是为什么要旋转180度,可不可以不旋转?我的回答是不可以不旋转,为什么呐?这个不是卷积神经网络模型的问题,是matlab软件的问题,这个软件它的卷积函数当中有一条语句是自动把矩阵旋转180度。也就是说当我们执行卷积命令之后,它就会在执行完毕的过程中旋转180度。为了保持一致,我们在反向传播过程中...原创 2018-05-17 17:19:07 · 1069 阅读 · 5 评论