CNN -卷积神经网络
CNN -卷积神经网络 自己的理解,有不对的地方,欢迎指正。
初初接触(卷积核)有如下疑问:
- 为什么要有它?,卷积神经网络中,每个隐层节点只连接到图像某个足够小局部的像素点上,从而大大减少需要训练的权值参数。
- 存在的意思是什么?
- 为什么可以提取特征?
- 这种提取的方式是如何发现的?
卷积 公式:
公式参考:
通俗理解 卷积运算:
CNN 入门讲解:什么是卷积(Convolution)?
它的物理意义大概可以理解为:系统某一时刻的输出是由多个输入共同作用(叠加)的结果。
这句我看了n多个文章才能看懂在说啥。。。
目前只是初步了解了,为什么可以提取特征
如图,
原图:
卷积核:
原图 5x5,卷积核 3x3,得到 3x3 的特征
若仅取左上角 3x3区域,即 原图3x3,卷积核3x3,得到1x1的特征 4,
若仅取左下角 3x3区域,即 原图3x3,卷积核3x3,得到1x1的特征 2
得到的特征区域大小 = (5-3+1)*(5-3+1)==> (3x3)
以上2图均来自于:CNN初学者—从这入门
为什么要有它?
- 卷积神经网络中,每个隐层节点只连接到图像某个足够小局部的像素点上
- 通过卷积操作,把 全连接变成局部连接
这是原因么?
存在的意义:
以最少的代价,使神经网络获得最好的准确率
卷积层
负责 特征 提取;卷积层
负责 特征 选择;全连接层
负责 分类;
图片来源:CNN入门讲解:如何理解卷积神经网络的解构, 文末的吃甘蔗例子好搞笑,哈哈哈哈。
池化:
图片来源:深度学习中卷积和池化的一些总结
最后补充 卷积 与 池化的区别:
都是将一个区域中的信息压缩成一个值,完成信息的抽象
卷积:
- 卷积像筛子,只有满足 条件(激活值越大越符合条件)的部分筛选出来
- 保留了某些 特征
池化:
- 抽取信息,降低计算量
- 20x20 进行10x10 的池化,得到2x2的
- 最简单的池化 演示
,2x2的池化,取右下角元素,得到2x2的信息: