卷积神经网络

最新推荐文章于 2025-02-21 21:02:35 发布

身体健康,万事如意

最新推荐文章于 2025-02-21 21:02:35 发布

阅读量937

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习算法

本文链接：https://blog.youkuaiyun.com/qq_30366667/article/details/88585740

卷积神经网络（ConvNets）以卷积层为特点，包括局部感知、卷积层、ReLU层、池化层和全连接层。卷积层通过参数共享减少计算量，提取图像特征；池化层用于降低维度；全连接层将特征映射到类别得分。常见的网络架构为INPUT -> [[CONV -> RELU]*N -> POOL?]*M -> [FC -> RELU]*K -> FC。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

卷积神经网络

创建日期星期五 15 三月 2019

卷积神经网络的特点在于卷积；
通俗的来说卷积就是局部扫描，然后进行训练识别，将一个图像卷积，从原来的n维矩阵进行折叠，进行降维操作，然后对其进行全连接加权，池化层等

Layers used to build ConvNets
卷积神经网络通常包含以下几种层：

卷积层（Convolutional layer），卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
线性整流层（Rectified Linear Units layer, ReLU layer），这一层神经的活性化函数（Activation function）使用线性整流（Rectified Linear Units, ReLU）。
池化层（Pooling layer），通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
全连接层（ Fully-Connected layer）, 把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
一个卷积神经网络各层应用实例：
应用

卷积层（Convolutional layer）
局部感知（Local Connectivity）

普通神经网络把输入层和隐含层进行“全连接(Full Connected)“的设计。从计算的角度来讲，相对较小的图像从整幅图像中计算特征是可行的。但是，如果是更大的图像（如 96x96 的图像），要通过这种全联通网络的这种方法来学习整幅图像上的特征，从计算角度而言，将变得非常耗时。你需要设计 10 的 4 次方（=10000）个输入单元，假设你要学习 100 个特征，那么就有 10 的 6 次方个参数需要去学习。与 28x28 的小块图像相比较， 96x96 的图像使用前向输送或者后向传导的计算方式，计算过程也会慢 10 的 2 次方（=100）倍。<