深度学习和卷积神经网络
卷积神经网络介绍
• 卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现。它包括卷积层(convolution layer),池化层(pooling layer)和全连接层(fully connected layer)。
• 20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低前馈神经网络的复杂性,继而提出了卷积神经网络。现在,CNN已经成为众多科学领域的研究热点之一,特别是在模式分类领域,由于该网络避免了对图像的复杂前期预处理而可以直接输入原始图像,因而得到了更为广泛的应用。
卷积
• 信号与线性系统:
• 矩阵论:
• 深度学习:
单卷积核计算
• 卷积计算描述
• 卷积计算结果演示
深度学习卷积的重要概念
• 卷积核(convolution kernel):根据一定规则进行图片扫描并进行卷积计算的对象称为卷积核。卷积核可以提取局部特征。
• 卷积核尺寸(kernel size):卷积核是一个3维的矩阵,可以用一个立方体表示,宽w,高h,深度d。深度d由输入的通道数决定,一般描述卷积核尺寸时,可以只描述宽w和高h。
• 特征图(feature map):经过卷积核卷积过后得到的结果矩阵就是特征图。每一个卷积核会得到一层特征图,有多个卷积核则会得到多层的特征图。
• 特征图尺寸(feature map size):特征图也是一个3维的矩阵,可以用一个立方体图示,宽w,高h,深度d。深度d由当前层的卷积核个数决定,一般描述特征图尺寸时,可以只描述宽w和高h
• 步长(stride)&#x