CNN笔记-卷积神经网络基础

目录

1、应用领域

2、卷积的特征值计算方法

3、步长&填充 大小 与输入输出大小的关系

4、池化层的作用

5、整体网络架构

---

1、应用领域

卷积神经网络为图像而生，但应用不限于图像。在图像处理任务上，卷积神经网络可以用来识别位移、缩放及物体形态扭曲的二维图形。一方面，由于其网络模型中的特征是通过训练数据集进行图像特征学习，从而避免了显式地特征抽取；另一方面，由于图像上同一特征映射面上的神经元权值相同，所以卷积神经网络模型可以并行训练，极大地提高神经网络的训练时长。此外，与神经元彼此相连的神经网络(如传统的人工神经网络)相比，卷积神经网络模型的组织方式特殊，其结构模型更易于理解和分析。

 

(1) 图像分类与识别

(2) 自然语言处理(NLP)

(3) 图像着色

2、卷积的特征值计算方法

3、步长&填充 大小 与输入输出大小的关系

卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度

步长（stride）就是卷积核在你原图上每一步移动的距离。

步长小，提取的特征会更全面，不会遗漏太多信息。但同时可能造成计算量增大，甚至过拟合等问题。

步长大，计算量会下降，但很有可能错失一些有用的特征。

步长选多少没有一套明确的标准，还是要看你输入图像的大小和卷积核的大小。

总之在计算资源够用的前提下，最好不要让你卷积核错失太多特征。

4、池化层的作用

在卷积神经网络中常常会在相邻的卷积层中间加入池化层，池化层可以有效缩小参数矩阵的尺寸，从而减少参数数量，所以加入池化层可以加快计算速度和防止过拟合。
列举一下的话可以有：

完成下采样
去除冗余信息，对特征进行压缩，降低网络复杂度
实现非线性
扩大感受野
池化一般有最大池化和平均池化，最大池化适用于过滤掉比较多无用信息的场景，比如网络浅层通常会比较多无用信息；而平均池化适用于整体都是有用信息时取一个平均，比如网络深层一般都是重要信息。
在 PyTorch 中还有一个自适应池化（既有最大也有平均），可以方便控制输出特征图的尺寸。

5、整体网络架构

 

相关资料原文

池化层  原文链接：https://blog.csdn.net/Kester_/article/details/119812588