CNN神经网络
一、整体构架
1.输入层:
2.卷积层:
<1>卷积层做了什么:将图片分为每个小区域,每个区域得到的特征是不同的,选择一种权值计算方法,计算每个区域的特征值是多少。
<2>卷积特征值计算方法:每个区域的输入信息与权值矩阵w对应相乘得到该小区域的特征值,将RGB三通道全部计算后相加再加上bias偏移量后,得到每个区域对应的特征值。
<3>参数:
①滑动窗口步长:一般是1
步长越小,细致的提取特征,则提取的特征值就越多越丰富
步长越大,粗糙的提取特征,则提取的特征值就越少
②卷积核尺寸:一般是3x3
③边缘填充+pad1:填充0,一定程度上,弥补一些边界信息缺失的问题,使得边界特征能够充分利用
④卷积核个数:最终得到的特征图的个数,每个卷积核里面的值都不同
<4>卷积结果计算公式
<5>卷积参数共享:都用一套权值矩阵计算
3.池化层:压缩特征,在得到的特征图上进行筛选,特征值个数不会改变
①最大池化:选择最大的一个值保留下来
4.全连接层:对信息的激活映射后进行分类或输出,例如,将10240个特征值转化为预测的5个类别的概率值
转换:将三维图拉长为一个长的特征向量。