深度学习之——卷积神经网络CNN

本文深入解析卷积神经网络(CNN)的概念、历史及工作原理。从LeNet-5到AlexNet,介绍CNN如何通过卷积层、池化层和全连接层提取图像特征,减少过拟合风险。并探讨CNN的局部性和权值共享优势。

1. 什么是卷积神经网络

卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一

2. 卷积神经网络的历史

最有代表性的LeNet-5是由卷积层、池化层、全连接层的顺序连接组成。

2012年的AlexNet在LeNet的基础之上加深了网络的结构,来学习图像更高维的特征。网络的层数更多,使用层叠的卷积层,即卷积层+卷积层+池化层,来提取图像的特征,增加Dropout曾来减少过拟合的风险,使用Relu作为激活函数,放弃Sigmoid。

3. CNN

卷积神经网络是包含一个或多个卷积层的神经网络。

3.1 卷积层是包含一个或多个滤波器(filter)的层。每一层包括2步:

Step1:卷积

通过n个Fileter(滤波器)相乘相加实现卷积可以增强原信号特征,并且降低噪音。得到的n层结果被称为Feature Map

如果希望卷积之后的图片不变小,那就做zero padding

Step2:最大池化Max Pool

降采样不会降低物体的可辨识性。

3.2 若干层后最后进行全连接,FC:得到一个一维向量。

优点:

1) 局部性:通过滤波器(局部性和权值共享)减少了神经网络需要训练的参数的个数。

2) 权值共享:极大减少参数数目,需要提取不同的特征,可以设计多个不同的滤波器。参数数目比全连接网络大大降低。

 

更详细介绍可参考:CNN详细介绍

### 关于卷积神经网络深度学习名词解释 #### 卷积神经网络 (Convolutional Neural Network, CNN) 卷积神经网络是一种专门用于处理具有网格状拓扑数据的前馈神经网络,尤其适用于图像和视频识别等领域。其核心思想在于模拟生物视觉系统的机制,通过局部感知野、共享权重以及池化操作来减少参数数量并提高模型泛化能力[^1]。 #### 深度学习 (Deep Learning) 深度学习是机器学习的一个分支,主要研究如何构建多层的人工神经网络来进行特征提取和模式识别。相比于传统的浅层学习方法,深度学习能够自动从原始数据中学习复杂的层次化表示,从而显著提升了多个领域的性能表现,例如计算机视觉、自然语言处理等。 #### 权值 (Weights) 在网络结构中,权值代表连接两个节点之间的强度或者重要程度。对于卷积神经网络而言,权值通常以矩阵形式存在,即所谓的卷积核(Convolution Kernel),它们会在训练过程中被优化算法逐步调整至最佳状态以便更好地捕捉输入数据中的关键特性[^2]。 #### 卷积核 / 过滤器 (Kernel/Filter) 这是组成CNN基本单元之一的小型二维数组,在每次迭代期间滑动跨过整个输入体积执行逐元素乘法加总运算形成新的激活图(Activation Map)。随着反向传播过程持续进行,这些过滤器会逐渐适应特定类型的边缘检测或其他有用的空间信息抽取任务所需的最佳配置[^2]。 #### 图像预处理(Image Preprocessing) 为了使模型更加鲁棒且具备更好的推广效果,在正式送入任何一种基于深度学习框架下的分类器之前往往需要经历若干必要的前期准备工作阶段——这便是所谓‘图像预处理’环节的主要职责所在;具体措施可能涉及去除噪声干扰项(比如椒盐噪点)、增强对比度范围变化趋势(譬如伽马校正技术应用实例分析),还有几何变换类别的随机水平镜像翻转变形等等多样化手段组合运用场景探讨说明文档链接地址如下所示[^3]: ```python import cv2 from skimage import transform as tf def preprocess_image(image_path): img = cv2.imread(image_path) # 调整大小 resized_img = cv2.resize(img, dsize=(224, 224)) # 随机旋转 angle = np.random.uniform(-30, 30) rotated_img = tf.rotate(resized_img, angle) return rotated_img ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值