本文通过CIFAR-10图像识别项目，介绍卷积神经网络（CNN）的基础知识，包括卷积层、池化层、激励函数和全连接层的作用。卷积层通过卷积核提取特征，池化层降低特征维度，激活函数增加模型非线性，全连接层进行分类。
之前的文章通过识别手写数字来学习什么是多层感知器，本文将会通过识别CIFAR-10图像这个项目来认识什么是卷积神经网络。
这篇文章将会分成两个部分，第一部分会简单介绍一下卷积神经网络的结构，第二部分将通过构建卷积神经网络来识别CIFAR-10图像，让大家了解卷积神经网络是如何搭建和工作的。
1 卷积神经网络简介
1.1卷积神经网络结构
先上一张看起来很牛X的图（图片来源：百度百科）
（1） 卷积层
维基百科是这样解释的：
卷积层（Convolutional layer），卷积神经网上中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
其实我也不是很懂维基百科的解释，但我简单点理解就是在一个卷积层中，把输入样本（输入样本是一个矩阵）和m(m>0)个卷积核(卷积核是一个n*n维的矩阵，n的大小不定)作内积运算，然后把内积的结果（m个矩阵）通过激活函数的计算，最后得出m个特征图（每个特征图还是一个矩阵），下 一个及以后的卷积层都会把前一个卷积层得出的特征图作为输入。换
最低0.47元/天 解锁文章
2431
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
