#卷积网络与传统网络的区别
传统神经网络:处理数据是一个像素点,是一个二维数据
卷积神经网络:处理数据为三维
#卷积神经网络
整体架构:输入层、卷积层、池化层、全连接层
##卷积的作用
处理过程:将原始处理图像分为若干个小区域,选择一种计算方法,对每个小区域计算其特征值,经过卷积之后得到一个特征图
计算过程:
filter w0(3×3×3):表示每3×3个区域对应一个特征值,最后一个3对应与原始输入的个数,输入通道是多少,这里就对应多少;
bias b0:偏置量
特征图个数:最后得到的特征图个数取决于filter个数,即卷积核的个数
##多层卷积
6,10分别是卷积核的个数,卷积核个数决定输出特征图的c。
##卷积层涉及的参数
滑动窗口步长
对于结果的影响;步长越小,得到的特征越多,对于图像问题来说,一般都设置步长为1
卷积核大小
选择区域的大小,比如上面所涉及到的filter w0中所提到的3×3,卷积核越小,提取越细腻
边缘填充
边界点在卷积过程中,用到的次数比较少,为了使原始边界点在特征提取中能够更多的用到,给原始边界加一圈0,扩充图像尺寸,使之成为新的边界,加0之后对最终计算结果并未有影响,称之为zero padding。
卷积核个数
经过卷积想得到多少个特征图,就有多少个卷积核
##卷积结果计算公式
#池化层
下采样(压缩作用):选择重要的留下,丢弃不重要的,这一层不涉及计算过程,只是做一个筛选
max pooling
划分成不同区域,选择每个区域最大的值
averge pooling
划分成不同区域,计算其平均值,不常用,其效果不如max pooling
#全连接层
前面的卷积和池化只是做到一个特征提取的作用,若是要做到分类或者分类,就得需要全连接层。
将特征图拉成一个特征向量,比如前面得到的最终特征图是32×32×10,这时候就把前面所涉及到的10240个向量做一个分类。