卷积神经网络(Convolution Neural Network,CNN)
一般用于图像识别
步骤
主要步骤是:
卷积层 + 池化层 + 卷积层 + 池化层 + 全连接层
卷积层
一个卷积核就有是一个神经元
一个卷积核就会得到一张卷积后的图像
图中有两个卷积核:卷积核1、卷积核2
图中只计算了卷积核1的卷积结果,就是右下角粉红色的矩阵
池化层
池化层(pooling)就是下采样subsampling
就是把大图像变小
常用的有max pooling和average pooling
全连接层
全连接层(fully connected network)
就是把最后卷积池化得到的很多小图像平铺成一列,然后用最普通的全连接神经网络进行分类。
全连接就是最普通的那种神经网络,这个神经网络的输入就是平铺得到的列向量,如上图的最右边所示
最普通的神经网络,上一层节点与下一层节点两两连接,即全连接:
当然了,最后的也可以不用全连接神经网络去分类,可以用支持向量机、决策树之类的其他分类器去分类。
卷积神经网络关键在于卷积,用于特征提取、