网站怎么添加手机版,wordpress prevent copy paste,网页和网站有什么区别,知识付费问答系统网站开发文章目录 1. 为什么需要 CNN2. CNN 的架构3. 卷积层4. 池化层5. CNN 的应用 1. 为什么需要 CNN
前提#xff1a;利用前置知识#xff0c;去掉全连接神经网络中的部分参数#xff0c;提升学习效率。本质#xff1a;在 DNN 之前加上 CNN#xff0c;先去除不必要的参数… 文章目录 1. 为什么需要 CNN2. CNN 的架构3. 卷积层4. 池化层5. CNN 的应用 1. 为什么需要 CNN
前提利用前置知识去掉全连接神经网络中的部分参数提升学习效率。本质在 DNN 之前加上 CNN先去除不必要的参数再进入 DNN。常用于图片识别 对图像特征的局部性稀疏连接和平移不变性参数共享进行处理。分层特征提取从低级到高级捕获图片中的复杂结构。池化层降维减少参数量。 2. CNN 的架构 特征1卷积层 检测局部图案不需要查看整张图。满足稀疏连接特性。 特征2卷积层 对不同位置相同的图案使用相同的参数Filter。满足参数共享特性。 特征3池化层 通过抽样将图片缩小保留最重要的特征且不影响最终结构。 3. 卷积层
总体功能卷积层用于特征提取通过稀疏连接和权值共享将输入图像与滤波器进行卷积操作得到多个特征图
卷积核 特点过滤器相当于 DNN 中的神经元卷积核就是 CNN 中的神经元。 作用检查图像中是否存在某些图案。 优点 满足特征1可以只检测局部区域。满足特征2不同位置的图案共享同一卷积核。 注意卷积核的尺寸会根据输入图像的维度进行调整。 例如若输入图像维度为 1卷积核为 3×3若图像维度为 25卷积核变为 25×3×3。 通常情况下多个不同的卷积核被用于构建过滤器每个卷积核提取不同的特征。
特征映射
过程卷积核滑动并与图像局部进行卷积操作得到特征图。注卷积后的特征映射维度与卷积核的数量相关而与当前图像维度无关。 示例输入 28×28×3卷积核 3×3×3核数为 5步幅 1 → 输出为 26×26×5。
改进
问题同一个卷积核处理不同大小的图案较为困难。解决方案在 CNN 前加一层进行图像加工如缩小、旋转等处理。 4. 池化层
功能
池化层将卷积层输出划分为多个区域从每个区域中提取最大值或平均值从而减少图像尺寸同时保持图像特性。保持平移、伸缩、旋转不变性。减少参数量提升模型的泛化能力。
Flatten
过程池化层操作后将提取到的特征平铺输入到 DNN 层进行深度学习。
池化类型
平均池化对每个区域取平均值保留整体信息。最大池化对每个区域取最大值提取最显著的特征。 5. CNN 的应用 AlphaGo 只使用了卷积层不使用池化层。 语音识别 将语音转为频谱图卷积核仅在纵坐标频率方向上移动而不在时间序列方向上移动。其他模型用于处理时间序列部分。 文字处理 卷积网络的核心是捕捉局部特征。在文本处理中若干单词组成的滑动窗口就构成了局部特征。对特征进行组合和筛选获取不同层次的语义信息。只在时间方向上使用卷积因为不同维度的文字意义是相互独立的。
