3、卷积神经网络架构详解

卷积神经网络架构详解

1. 数据准备

使用卷积神经网络（CNN）的第一步是从不同来源收集数据。对于CNN而言，大多数情况下数据为图像或视频帧。若公开可用的数据集不适合特定的CNN应用，设计者需要自行收集数据集。收集到的数据集还需要进行标注（可手动标注或借助标注工具），以便用于训练。

整理数据集的具体步骤如下：
1. 数据收集 ：从不同来源收集图像或视频帧数据。
2. 数据标注 ：手动或使用工具对数据进行标注。
3. 数据调整 ：将数据（图像或帧）调整大小，以匹配给定CNN的默认大小。
4. 数据增强 ：通过扰动收集样本的输入和/或输出来增强数据集，创建同一数据的各种修改版本。

数据增强的好处众多，它能提供更多的训练数据，还能为CNN模型提供不同的视角。例如，对于图像数据，图像增强可以改变饱和度、颜色、裁剪方式以及进行水平和垂直翻转等。此外，数据增强还有助于减少CNN模型对训练数据的过拟合。

2. CNN的构建模块

CNN架构由一系列不同的层组成，这些层将输入转换为输出。下面介绍CNN架构中常用的不同层。

2.1 卷积层

卷积层（CONV）是CNN的核心层，也是CNN区别于其他深度神经网络（DNN）的关键所在。CNN包含多个卷积层，卷积层的参数是一组可学习的滤波器（或内核），这些滤波器具有较小的感受野。

在正向传播过程中，每个滤波器会计算滤波器条目与输入之间的点积，然后在输入的宽度和高度