理解卷积神经网络

一、卷积神经网络

被广泛应用于图像分类领域

卷积的概念

• 在网络中引入了卷积核的概念

用于提取图像特征

1.1 如何辨别特征？

人类辨别图像就是通过特征来进行的

观察到了特征，如何用数学语言描述？

• 矩阵是一个不错的思路
• 先将原始的字母矩阵化
  • 1表示白色，-1表示黑色
• 分别构造有3个相同特征的小矩阵，称为卷积核，用卷积核扫描原始图像
  • 将对应位置的元素相乘后相加
  • 用新的矩阵记录计算后的值
  • 上述操作称为卷积

1.2 说明一下

1.2.1 卷积操作

• 当被扫过的位置与卷积核特征越相近，计算得到的数值越大
• 在结果图片中颜色越亮，自然就提取出了图片特征
• 单个卷积核处理单个特征
• 多个特征要用多个卷积核来处理

1.2.2 卷积后的图像

• 通常也非常大
• 也可能有很多弱的特征
• 就需要进行压缩降维==》池化操作

1.2.3 池化操作

• 原理：对区域内的结果取等效值，可以是最大，可以是平均
• 经过池化后，图像的大小会显著降低
• 池化可以加快运算速度，也可以避免过拟合的发生，提高神经网络的泛化能力
• 作用：池化层解决信息冗余的问题
• 通过池化层的大小，降低输出层的数量

1.3 激活层

池化结束后来到的是激活层

对池化层的输出进行一个非线性映射

• relu函数
• 非线性变换是为了让多层神经网络具有实际意义
• 斗则多层的线性映射最终都会与单层的感知机等效

为什么引入relu函数？

• 使一部分神经元的输出为0
• 缓解过拟合过程的发生

1.4 CNN的基本操作

• 卷积
• 池化
• 激活

可以多重组合来得到最终含有最佳特征的图像

1.5 最后

我们可以将含有不同特征的二维图像
展成一维后
输出全连接神经网络进行训练

1.6 总结

CNN使用卷积代替全连接神经网络中的运算，可以是全部替代，可以是部分替代。