卷积神经网络要点
基本过程如下:
下面分别解释:
将图像拆分成对应的特点,被称为卷积核。然后查看被识别图像有无对应的卷积核来确认是否为目标物体。
用卷积核扫描目标图得出的一个二维图为特征图。
但是这样的话,岂不是有多少个卷积核就要扫描多少遍?
对于一个有大量细节,或者说相当数量分层级的细节来说,这样算法的复杂度是很高的。
所以有池化(pooling)。即缩小特征图(Feature Map)
- 有最大池化:选择被扫描区域内的最大值
- 和平均池化:取被扫描区域内的平均值 等池化方式
在处理边缘时的操作称为(Padding)
如果对图像采用最大池化,则在边缘补零来提取边缘特征
池化要求一定要保留原特征图的特征
卷积计算中的一个基本流程为:卷积,ReLU(修正线性单元),池化(下采样)
然后把得到的最简单的特征图们展开得到一条特征数组(?)
然后就是全链接的操作,对数组按目标图的数组权值操作得到一个判断是否为目标的概率数。
用大数据修正卷积核和全链接的行为叫机器学习
然后用反向传播(backpropagation)的算法不断修正用来处理特征数组的权链接。
得到越来越令人满意的网络。
所以甚至一开始的卷积核和权链接是随机的,只要给出的数据和反馈足够多仍然可以得到正确的算法网络
视频链接:
https://www.bilibili.com/video/BV1sb411P7pQ?from=search&seid=16008050362630917535