cnn（卷积神经网络）笔记

目录

---

• 问题
• 笔记

   建立模型

   损失函数

•  运行结果

问题

1.卷积层：用不同的卷积核对原图进行卷积运算，提取原图特征，生成特征图

   池化层：减少数据量，防止过拟合

2.激活函数：引入非线性因素。一般常用的激活函数为ReLU（将小于0的部分归零，大于0的部分保留）

• ---

  笔记

•  CNN的原理

       与传统的机器学习算法不同，CNN面对的不再是每个像素点，通过像素点对图像处理，而是整个图像，通过应用卷积的方法对图像进行特征点提取，再通过多层的重复提取，最后对所提取的特征进行分析，从而完成所给目标，实现任务。 CNN分为三个部分，输入层、隐含层、输出层。

       能减少网络需要学习的参数量，提高训练速度。

---

 建立模型

 soft-max（分类层）输出值变为概率值，倒数一层连接为全连接

---

• 局部连接

 每个神经元不需要对全部的图像做感受，只需要感受局部特征即可

例：一张200*200像素的图片，如果按照1像素对应1个输入层神经元，那么肯定比10*10的像素区域对应的输入层神经元多，相应的隐层神经元个数也会增加

---

• 权重共享 

        在同一网络中，神经元权重相同，均为，···

---

 卷积核

•   卷积核的参数需要在训练的过程中学习
• 一个卷积核可以提取图像的一种特征，多个卷积核提取多种特征。（所以多个卷积核*特征图是个立方体）

---

• 下采样（池化）

        缩减特征图面积（原1/2）

        取最大值/平均值

---

损失函数

 回归损失：目标识别

 分类损失：分类

---

计算例子：

 

---

 运行结果

 不太准啊结果