컨볼루션 신경망 알고리즘이란 무엇입니까?
1차원 구성, 2차원 구성 및 전체 컨볼루션 구성입니다.
CNN(Convolutional Neural Networks)은 컨볼루션 계산을 포함하고 심층 구조를 갖는 피드포워드 신경망의 일종으로, 딥러닝의 대표적인 알고리즘 중 하나입니다.
컨벌루션 신경망은 표현 학습 기능을 갖고 있으며 계층 구조에 따라 입력 정보에 대해 이동 불변 분류를 수행할 수 있으므로 "시프트 불변 인공 신경망"이라고도 합니다. 신경망, SIANN).
컨벌루션 신경망의 연결성: 컨벌루션 신경망의 컨벌루션 계층 간의 연결을 희소 연결이라고 합니다. 즉, 피드포워드 신경망의 전체 연결과 비교하여 컨벌루션 계층의 뉴런은 전체가 아닌 일부에만 연결됩니다. 인접한 층의 뉴런.
구체적으로, 컨벌루션 신경망의 레이어 l의 특징 맵에 있는 모든 픽셀(뉴런)은 레이어 l-1의 컨볼루션 커널에 의해 정의된 수용 필드에 있는 픽셀의 선형 조합일 뿐입니다.
컨벌루션 신경망의 희소 연결은 정규화 효과가 있어 네트워크 구조의 안정성과 일반화 능력을 향상시키고 과적합을 피하며, 동시에 희소 연결은 가중치 매개변수의 총량을 줄여 빠른 속도에 도움이 됩니다. 신경망을 학습하고 계산 중 메모리 오버헤드를 줄입니다.
컨볼루션 신경망에서 기능 맵의 동일한 채널에 있는 모든 픽셀은 컨볼루션 커널 가중치 계수 세트를 공유합니다. 이 속성을 가중치 공유라고 합니다.
가중치 공유는 컨벌루션 신경망을 로컬 연결 구조를 포함하는 다른 신경망과 구별합니다. 후자는 희소 연결을 사용하지만 서로 다른 연결의 가중치는 다릅니다. 희소 연결과 마찬가지로 가중치 공유는 컨벌루션 신경망의 전체 매개변수 수를 줄이고 정규화 효과를 갖습니다.
완전 연결 네트워크의 관점에서 컨벌루션 신경망의 희소 연결과 가중치 공유는 두 개의 무한히 강한 사전자(pirior)로 간주될 수 있습니다. 즉, 수용 필드 외부의 숨겨진 계층 뉴런의 모든 가중치 계수는 0입니다. (그러나 수용장은 공간에서 이동할 수 있습니다.) 채널 내에서 모든 뉴런의 가중치 계수는 동일합니다.
Google 인공지능 글쓰기 프로젝트: 신경망 유사 원본