原本想写卷积神经网络反向推导的,后来突然不想写了就换成卷积神经网络入门好了,本文未涉及padding,卷积步长、池化层作用、三维卷积后续心情好了再补上,如有错误请不吝指出,万分感谢
1、卷积
卷积定义:卷积就是一种数学运算,我们称
其连续的定义为:
其离散定义为:
例子:假设有两枚骰子,把两枚骰子同时抛出,求两枚骰子点数加起来为4的概率是多少?
假设
那么两个点数加起来为4的情况有:
因此,两枚骰子点数加起来为4的概率为:
上式标准化可表示为:
上面是一维卷积,我们可以拓展到二维、三维甚至更高的维度
二维的卷积公式可以表示为:
3、卷积神经网络
3.1、图像矩阵转换及卷积核
3.1.1、图像矩阵转换:
假设我们有一张黑白图片如下:
我们知道色彩可以通过RGB三种颜色在
3.1.2、卷积核
假设上述图片矩阵对应二维卷积公式的
3.2、卷积神经网络的构成:
3.2.1、卷积神经网络卷积过程概览:
3.2.2、与DNN一样卷积神经网络同样可以分为:输入层,隐含层,输出层,到这里我们需要思考一个问题:既然全连接神经网络与卷积神经网络大体上构成一样,为什么需要卷积神经网络呢?
假设我们有一张3x3大小的灰度图作为输入:
对于全连接神经网络我们需要把二维矩阵转换成一维矩阵:
又假设我们隐含层有16个神经元,那么单一个像素从输入层映射到隐含层如下:
如果9个像素全部映射到隐含层就会这样:
可以看到这是一个很糟糕的情况,这个神经网络输入层到隐含层的参数个数就已经是:
卷积神经网络的一个特征就是:
1、参数共享,此处你只需要知道通过参数共享可以减少需要训练的参数即可,下面会有例子作为解释
2、稀疏连接
综上所述:我们使用卷积神经网络而不是用全连接神经网络的一个原因是:卷积神经网路的参数共享、稀疏连接可以减少需要训练的参数
3.2.3、边缘检查
举个栗子:如果我们有一张照片,我们如何让电脑搞清楚照片里的是一个基佬呢还是一个变态呢?哦不好意思,这好像没什么区别 - - ,好吧,其实就是要让电脑搞清楚照片里的是什么东西啦!!!
如果计算机就是一个灵魂画师,那么他画出来的都东西可能只是一个物体的轮廓而已,我们第一步也可以先让电脑检测物体的轮廓作为一个特征,一个物体的轮廓就是一个物体的边缘,对轮廓的检测就是上述的边缘检查了。如图:
那么如何让计算机识别边缘呢:
假设我们有一张6x6的黑白图片,一个3x3的卷积核,进行卷积运算:(其中10代表白色像素,0代表灰色像素,-1代表黑色像素)
从上面的卷积我们可以看到,我们把白灰的图片通过卷积运算变成了灰白灰,白与灰的边缘被提取了出来,变成了30有效特征,0灰色无效特征,这只是垂直边缘检测,通过变换卷积核可以检测出更多的边缘变换
参数共享:从上面边缘检测可以看到,在计算图片左上角与左下角子矩阵的边缘特征时,我们不需要增加其他特征检测器(卷积核)就可以检测出其边缘特征,其左上角和右下角可能有不同分布,也有可能稍有不同,但很相似所以用同一个卷积核即可提取边缘特征,这就是参数共享
稀疏连接:右边矩阵(0,0)位置的值:0,仅仅依赖于左边图片矩阵左上角的3x3子矩阵的9 个特征,看上去只有这9 个输入特征与输出相连接,其它像素对输出没有任何影响,其他输出同理
4、池化层
4.1、常用的两种池化方式:最大池化、均值池化
4.2、池化层运行原理图:
除了卷积层,卷积网络也经常使用池化层来缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性
未完待续。。。。。。
1、池化层作用
2、卷积步长
3、三维卷积
4、padding
引用:
https://mp.weixin.qq.com/s?__biz=MzIyMTU0NDMyNA==&mid=100004402&idx=2&sn=d120510ec69ddb6c178c0a6b8828cd22&chksm=683a78d95f4df1cf0cf9cc16c6649d3ba5568b4d31624912b3850d6cf17983f60eff1360a1ba&mpshare=1&scene=1&srcid=&key=ff09d031d7c4257bb7d4bcf61481ec0ceec0d2e404a0d2097b213f3ae10748b2f201b76b5a74be80acfa62f2a9913511a2f381ab57e86c1d69cd7ce6bfbaf19bc1a325882d877234e2896197bda1f4f1&ascene=1&uin=MTI2NDQ0MjIyNA%3D%3D&devicetype=Windows+10&version=6206081a&lang=zh_CN&pass_ticket=9FIGy6sv49rFQ2J158NWvo%2FE%2Be%2BfqQOwzmkGQGaZOb3awP8kuh%2Byk6QTgY9Cdx9pmp.weixin.qq.com 全连接网络到卷积神经网络逐步推导(组图无公式)-云栖社区-阿里云yq.aliyun.com坑边闲话:有些时候觉得糖糖说得蛮对的,人生太无聊了,看个魔术看出人家的套路,听个演唱会啊听人家的唱功唱到什么音,总想着有什么特别惊艳的东西能让生活有点意思却越发的意兴阑珊,活着大概只是为了唯一的想要罢了。。。。。音乐其实是个很有意思的东西有些歌可以改编得很有意思很惊艳!!!