本文介绍了卷积神经网络（CNN）的基础结构，包括输入层、卷积层、激活函数、池化层和全连接层。卷积层用于特征提取，通过权值共享减少参数数量，例如，32*32*3的图像经过5*5*3的filter卷积得到28*28*1的特征图。池化层则用于压缩特征图，通常使用max pooling提取主要特征。全连接层连接所有特征，将输出送入分类器。CNN的优化通常关注卷积层的计算加速和全连接层的参数优化。
卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC
(1)卷积层：用它来进行特征提取，如下：
输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野)，这里注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图，上图是用了两个filter得到了两个特征图；
我们通常会使用多层卷积层来得到更深层次的特征图。如下：
关于卷积的过程图解如下：
输入图像和filter的对应位置元素相乘再求和，最后再加上b,得到特征图。如图中所示，filter w0的第一层深度和输入图像的蓝色方框中对应元素相乘再求和得到0，其他两个深度得到2，0，则有0+2+0+1=3即图中右边特征图的第一个元素3.，卷积过后输入图像的蓝色方框再滑动，stride=2，如下：
最低0.47元/天 解锁文章
扫一扫
679
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
