卷积神经网络的主要作用是图像处理,比如人脸识别
拿神经网络处理图片,资源消耗是巨大的
举个例子,上图上来输入为一张图片,输出为结果,形式是概率.
卷积神经
包含四种不同类型的层CONV,RELU,POOL,FC
CONV 卷积层
局部关联,一个神经元不看全图,只看一块区域,然后窗口滑动,然后对每次滑动的局部数据进行计算,比如这一块区域是3*3则会产生9个w(权重)
第二个神经元也做同样的操作,不过会用9个新的权重,后面也会生成
根据上面的描述就会出现几个特性,1.干这个事神经元的个数,2.步长,一次走多远,这个扫描不是说一次就3*3下面就是另外一个3*3,实际上,会有交集的.3.填充值,比如步长是2,那么宽度可能是不够的,这样就人为的加0为填充值
拿这个图来说,上面分别对应的rgb三组值,用三个单独的神经元扫描,然后扫描单个神经元的卷积层有两层,最后的结果为点乘然后相加,很奇怪,第一个组神经元扫描出来的值永远是差1的.
因为每个神经元只关注一个特征,和原本的人工神经网络比,需要估算的权重大幅度缩水了.
而一组固定的权重和不同窗口的内积,就叫卷积
RELU 激励层
其核心就是把卷积层得到的结果做一个非线性的映射