1、CNN的基本概念
卷积神经网络与普通神经网络的区别在于,卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中,一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中,通常包含若干个特征平面(featureMap),每个特征平面由一些矩形排列的的神经元组成,同一特征平面的神经元共享权值,这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化,在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接,同时又降低了过拟合的风险。子采样也叫做池化(pooling),通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度,减少了模型的参数。
2、CNN网络结构
CS231n课程:http://cs231n.stanford.edu/ 给出了CNN的层级结构,如下图所示:
一共有6个卷积层和3个自采样层
输入层:最左边,对数据进行处理,比如去均值等
中间:n个卷积层和池化层
CONV:卷积计算层
RELU:激励层,RELU是一种激活函数
POOL:池化层,也叫子采样层(sampling),一般是取区域平均值或最大值