摘要：
什么是CNN(CNN的流行分析)CNN的基础知识介绍，TensorFlow的具体实现，对于初学者或者求职者来说都是不可多得的素材。定义:简而言之，卷积神经 *** 是一种深度学习模... 什么是CNN(CNN的流行分析)
CNN的基础知识介绍，TensorFlow的具体实现，对于初学者或者求职者来说都是不可多得的素材。
定义:简而言之，卷积神经 *** 是一种深度学习模型或类似于人工神经 *** 的多层感知器，常用于分析视觉图像。卷积神经 *** 的创始人是Yann LeCun，著名的计算机科学家，目前在脸书工作。他是之一个通过卷积神经 *** 解决MNIST数据集上手写数字问题的人。
扬·勒库恩
卷积神经 *** 的出现是受到生物治疗过程的启发，因为神经元之间的连接模式类似于动物的视觉皮层组织。
人脑的视觉结构
个别皮层神经元只在称为感受野的受限视野内对 *** 作出反应，不同神经元的感受野部分重叠，从而可以覆盖整个视野。
计算机视觉和人类视觉
如上图所示，我们在谈论任何类型的神经 *** 时，都不可能不提一点关于神经科学和人体(尤其是大脑)及其功能的知识，这些知识已经成为创建各种深度学习模型的主要灵感来源。
卷积神经 *** 的体系结构:卷积神经 *** 体系结构
如上图所示，卷积神经 *** 架构与常规人工神经 *** 架构非常相似，尤其是在 *** 的最后一层，即全连接。此外，还需要注意的是，卷积神经 *** 可以接受多个特征图作为输入，而不是向量。
我们来探讨一下卷积神经 *** 的基本组成和相关的数学运算过程，根据训练过程中学到的特征和属性对图像进行可视化和分类。
输入层|输入层:输入层主要是nm3 RGB图像，与人工神经 *** 不同，人工神经 *** 的输入是n1维向量。
RGB图像
卷积层|卷积层:在卷积层中，计算输入图像的面积与滤波器的权重矩阵之间的点积，并将结果作为该层的输出。滤镜将滑过整个图像，并重复相同的点积操作。这里要注意两件事:
滤镜的通道数必须与输入图像的通道数相同；
*** 越深，使用的过滤器越多。您拥有的过滤器越多，您可以获得的边缘和特征检测就越多。
正向卷积运算
卷积层输出的大小:
输出宽度:
输出高度:
其中包括:
w:输入图像的宽度。
h:输入Youyou像的高度。
Fw:过滤器或核心的宽度
Fh:过滤器的高度
填充
生:移动的步伐
卷积层输出的通道数等于卷积操作期间使用的过滤器数。
为什么卷积？有时候你可能会问自己，当初为什么要用卷积运算？为什么不从一开始就扩展输入图像矩阵？下面是答案。如果这样做，我们最终会得到很多需要训练的参数，而大多数人没有能力以最快的方式解决计算量大的任务。另外，由于卷积神经 *** 的参数较少，可以避免过拟合。
池层|池层:目前广泛使用的池操作有两种——平均池和更大池，其中更大池是使用最多的一种，其效果一般比平均池好。Pool层用于降低卷积神经 *** 上特征空之间的维数，但不会降低深度。当使用更大池层时，采用更大数量的输入区域，而当使用平均池层时，采用输入区域的平均值。
更大汇集
为什么要打台球？pooling layer的核心目标之一是提供空之间的方差，这意味着您或机器将能够识别该对象，即使它的外观以某种方式发生了变化。有关池层的更多信息，请查看Yann LeCunn的文章。
非线性层|非线性层:在非线性层，一般用ReLU激活函数代替传统的Sigmoid或Tan-H激活函数。对于输入图像中的每个负值，ReLU激活函数返回值0，而对于输入图像中的每个正值，它返回相同的值(有关激活函数的更深入的解释，请查看本文)。
ReLU激活功能
全连接层}全连接层:在全连接层中，我们将最后一个卷积尤优资源 *** 层的输出平坦化，并将当前层的每个节点与下一层的另一个节点连接起来。全层连接只是人工神经 *** 的另一种说法，如下图所示。整个连接层中的操作与一般人工神经 *** 中的操作完全相同:
还没有评论，来说两句吧...