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进行标注（可手动标注或借助标注工具），以便用于训练。

数据集的数据（图像或帧）通常需要调整大小，以匹配给定CNN的默认大小。此外，还会对数据集进行增强处理，通过扰动收集样本的输入和/或输出来创建同一数据的各种修改版本。数据集增强不仅能提供更多的训练数据，还能为数据提供修改版本。例如，在处理图像数据时，图像增强能为CNN模型提供不同的视角，这些不同视角可体现饱和度、颜色、裁剪以及水平和垂直翻转的变化。数据集增强还有助于减少CNN模型对训练数据的过拟合。

数据准备步骤

1. 收集数据：从不同来源收集图像或视频帧。
2. 选择数据集：若公开数据集不合适，自行收集数据集。
3. 数据标注：手动或借助工具对数据集进行标注。
4. 调整大小：将数据调整为CNN默认大小。
5. 数据增强：扰动输入和/或输出以创建修改版本。

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。下面将介绍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，它使CNN区别于其他深度神经网络（DNN）。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。

在前向传播过程中，每