CNN 卷积神经网络结构

cnn每一层会输出多个feature map, 每个Feature Map通过一种卷积滤波器提取输入的一种特征,每个feature map由多个神经元组成,假如某个feature map的shape是m*n, 则该feature map有m*n个神经元。对于卷积层会有kernel, 记录上一层的feature map与当前层的卷积核的权重,因此kernel的shape为(上一层feature map的个数,当前层的卷积核数)。

CNN网络结构

一种典型卷积网络结构是LeNet-5,用来识别数字的卷积网络。结构图如下(来自Yann LeCun的论文): 
LeNet-5
卷积神经网络算法的一个实现文章中,有一个更好看的图: 
LeNet-5
该图的输入是一张28*28大小的图像,在C1层有6个5*5的卷积核,因为C1层输出6个(28-5+1)(28-5+1)大小的feature map。然后经过子采样层,这里假设子采样层是对卷积层的均值处理(mean pooling), 其实一般还会有加偏置和激活的操作,为了简化,省略了这两步,只是对卷积层进行一个采样的操作。因此S2层输出的6个feature map大小为(24/2)(24/2).在卷积层C3中,它的输入是6个feature map,与C1不一样(C1只有一个feature map,如果是RGB的话,C1会有三个channel)。C3层有12个5*5卷积核,每个卷积核会与上一层的6个feature map分别做卷积(事实上,一般是选择几种输入feature map来做卷积,而不是全部的feature map),然后对这6个卷积结果求和组成一个新的feature map,即该层会有12个大小为(12-5+1)*(12-5+1)的feature map,这个feature map是经过sigmod 函数处理然后结果下一层S4。 
这里写图片描述 


同理,S4层有12个(与卷积层的feature map数一致)大小为(8/2)*(8/2)的feature map。输出层把S4层的feature mapflatten一个向量,向量长度为12*4*4=192,以该向量作为输入,与下面的其它层全连接,进行分类等操作,也就是说把一张图片变成一个向量,接入到别的网络,如传统的BP神经网络,不过从整体来看,CNN可以看做是一个BP神经网络。

(李宏毅的深度学习课上cnn那节有讲,互相补充)

转载于:https://www.cnblogs.com/Bella2017/p/7756171.html

### CNN卷积神经网络结构图及其架构可视化 #### 使用Visio绘制CNN结构图 在深度学习领域,卷积神经网络(CNN)是图像处理和计算机视觉任务中的核心技术。理解和设计复杂的CNN结构通常需要大量时间和精力。为此,一个基于Visio绘图软件制作的卷积神经网络结构图模板被推出,这有助于开发者更高效地进行CNN结构设计[^2]。 此模板详细展示了卷积层、池化层以及线性层的图形表示,为开发者提供了一个直观且易于使用的参考工具。通过这种可视化的手段,能够更好地理解各层之间的连接方式及数据流动方向。 #### 卷积神经网络基本组件说明 - **输入层**:接收原始图片作为输入。 - **卷积层(Convolutional Layer)**:应用多个滤波器来提取特征。 - **激活函数(Activation Function)**:引入非线性因素,常用ReLU(Rectified Linear Unit)。 - **池化层(Pooling Layer)**:减少空间尺寸的同时保留重要信息,分为最大池化(Max Pooling)和平均池化(Average Pooling)[^4]。 - **全连接层(Fully Connected Layers)**:用于分类或其他高级推理任务之前最后几层的操作。 ```mermaid graph LR; A[Input Image] --> B{Convolution}; B --> C[Feature Maps]; C --> D{Pooling/Downsampling}; D --> E[Flattened Vector]; E --> F[Fully Connected Layer]; F --> G[Output Classification] ``` 上述Mermaid图表简单描述了从输入图像经过一系列卷积运算得到特征映射,再经由下采样过程直至最终输出分类的过程。实际应用中可能会有更多的卷积与池化组合,并可能加入批标准化(Batch Normalization),跳跃连接(Skip Connections)等改进措施以提升性能表现。
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