本文深入探讨了卷积神经网络（CNN）的基础知识和工作原理。CNN以其独特的卷积层和池化层简化了图像处理任务，通过权值共享减少连接并降低过拟合风险。卷积层的特征平面和共享卷积核是其核心概念，而池化层则用于维度减小。尽管CNN存在尺度和旋转不变性的不足，但通过数据增强等手段可以弥补。博客中提到，CNN在图像识别等领域有着广泛的应用。
心得体会
本次主要学习了卷积神经网络。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化（pooling），通常有均值子采样（mean pooling）和最大值子采样（max pooling）两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
在这里感谢datawhale开源社区的小伙伴们给予的学习帮助，今后的学习也要一样加油呀
提示：以下是本篇文章正文内容
卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。使用CNN可以简化神经网络的架构，通过借用power-knowledge把原来fully-connected layer中的一些参数去掉，就形成了CNN。
基础简介
基本原理
1.在CNN之前将图片调整到一样的大小
2.决定一个receptive field size,一般取333(长，宽，number of channels)，这些receptive field最好能重叠以防交界线位置的pattern被遗漏，并cover整个image。决定filter的数量，将这些filter与image相比，得到featuremap，并将feature map当作新的image，再进入convolution layer进行识别。虽然一开始我们的kernelsize 比较小，但是随着层数越多，cover 原图形中的范围就会越来越大。
3.为了简化,the neuron with different receptive fieldsshare parameters.
4.为了简化，在一个convolution layer之后可以使用pooling来减少维度，例如max pooling，就是取一个receptive field里面最大的那个数。但是pooling会伤害到performance,因此可以选择不用，例如Alpha Go就没用pooling.
5.CNN的不足之处是，it is not invariant to imagescaling and rotation, need data augmentation, or useother methold like spatial transformer layer.
简化版的DNN，拿掉特定层中的参数，为什么允许拿掉一些参数呢?
基于每层只做特定的事情,也即是说识别图像的部分特征，这样是不需要整张图片的信息。
不同区域但目标相同的特征识别是不需要两种不同的探测器实现的，两个神经元不需要做两组参数，两个神经元共用一组参数即可。
类似于降低图片的像素（参数)不影响人对图片的识别。
前两个问题可以用convolution卷积处理，可以用Pooling池化处理
卷积convolution
黑白的图片输入的是用矩阵表示的像素，过滤器也是矩阵
彩色图片的输入是由RGB三原色组成的三个矩阵体，相应的过滤器是三个矩阵组成的立方体
先做卷积,卷积出来的矩阵分成四块，选取每块最大的值代表该区域，便形成了一个2*2的矩阵，代表一个新的图像,将所有简化后的矩阵组成的立方体拉直就是Flatten的过程
参考资料：
机器学习视频：https://www.bilibili.com/video/BV1Ht411g7Ef
扫一扫
1035
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
