关于CNN的一个通俗解释

最新推荐文章于 2024-07-12 11:45:29 发布

yimenren

最新推荐文章于 2024-07-12 11:45:29 发布

阅读量461

点赞数

本文链接：https://blog.csdn.net/yimenren/article/details/116237698

版权

本文介绍了卷积神经网络（CNN）的基本过程，包括卷积、ReLU激活、池化以及 padding 的作用。讨论了最大池化和平均池化，并指出池化用于降低计算复杂度。在CNN中，通过全连接层对特征数组进行处理，最终得到目标识别的概率。通过反向传播和大量数据训练，不断优化网络参数。视频链接提供了进一步的学习资源。

摘要由CSDN通过智能技术生成

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